К содержимому
Аудио

Kitten TTS 2 Mini

компактный синтез речи на 16 языков

2 мин чтенияобновлено

Лёгкая модель для преобразования текста в речь (TTS) от команды KittenML, которая генерирует аудио с частотой дискретизации 24 kHz. При объёме всего в 82 миллиона параметров она умеет работать на обычном процессоре (CPU) через формат ONNX (открытый стандарт для быстрого запуска нейросетей) даже без установки PyTorch. В отличие от тяжёлых речевых моделей, эта версия занимает всего 82.7 МБ в int8-квантовании, но поддерживает 16 языков, включая русский, и предлагает 118 готовых голосов. Подойдёт разработчикам локальных ассистентов, ботов и приложений, которым нужна быстрая офлайн-озвучка без видеокарты.

Ключевые особенности

  • Компактный размер: 82M параметров и всего 82.7 МБ для квантованной ONNX-версии (int8), также доступны полные веса float32 для PyTorch.
  • Поддержка 16 языков: русский, английский, немецкий, французский, испанский, японский, корейский, турецкий, хинди, суахили и другие.
  • Библиотека из 118 голосов с описанием характера (например, «спокойная медсестра» или «хриплый блюзовый музыкант»); для русского доступны 4 родных голоса (Anastasia, Natasha, Dmitri, Ivan) и 9 переносимых английских.
  • Гибкое управление: выбор голоса по имени или описанию, настройка скорости речи через параметр speed и загрузка только нужных весов под выбранный бэкенд.

Что можно сделать

  • Встроить в голосового помощника или Telegram-бота для локальной озвучки ответов на CPU без трат на облачные API.
  • Озвучивать многоязычные ролики, подкасты или диалоги персонажей, переключая 118 тембров и регулируя темп речи.
  • Использовать в десктопных и мобильных приложениях, где критичен малый вес дистрибутива (меньше 100 МБ) и лицензия Apache-2.0.

Пример

from kittenml import KittenTTS
import soundfile as sf

m = KittenTTS("KittenML/kitten-tts-2-mini")
audio = m.generate("Привет! Это проверка синтеза речи.", voice="Anastasia", speed=1.1)
sf.write("out.wav", audio, 24000)
ПодробнееАрхитектура и размер: 82M параметров, частота аудио 24 kHz.
Форматы и железо: по умолчанию запускается int8 ONNX-граф (82.7 МБ) через ONNX Runtime на CPU без PyTorch; опционально поддерживается backend="torch" (float32) на CPU или CUDA.
Кросс-языковые голоса: 9 английских голосов (Eleanor, Martha, Serena, Iris, Grace, Edith, Diana, Otis, Vincent) также умеют говорить по-русски, по-немецки, по-испански, по-итальянски и по-португальски при явной передаче параметра language="ru".
Лицензия: Apache-2.0 (распространяется на веса, голосовые пакеты и встроенные G2P-файлы).
Обсудить Telegram 19 1,3 тыс.

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # KittenML/kitten-tts-2-mini
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download KittenML/kitten-tts-2-mini --local-dir ~/models/kitten-tts-2-mini
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к kitten-tts-2-mini
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии kitten-tts-2-mini — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

KittenML/kitten-tts-2-mini
Автор
KittenML
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

1,3 тыс.19

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

Kuroko

Kuroko
Аудио

Haru-4B

Haru-4B