К содержимому
Аудио

Fluent Books: English voices r6

восемь компактных TTS-голосов для чтения книг

2 мин чтенияобновлено

Это восемь небольших text-to-speech моделей в формате ONNX для приложения Fluent Books: чтение книги вслух на процессоре телефона. Четыре американских и четыре британских голоса, каждый файл — отдельный голос с тембром, зашитым в веса. Это student-модели, дистиллированные из английских голосов Kokoro-82M; размер каждого файла — 8.57 MB.

Ключевые особенности

  • Восемь голосов: af_heart, af_kore, am_michael, am_fenrir, bf_emma, bf_isabella, bm_george, bm_fable.
  • Каждый ONNX-файл — один голос; тембр зашит в веса, размер — 8.57 MB.
  • На вход подаются Kokoro phoneme ids и speed, на выходе — waveform 24 кГц и durations по токенам.
  • Один student на голос, дистилляция из английских голосов Kokoro-82M.
  • Голоса — новые версии голосов приложения; доступны рядом со старыми под id <voice>.r6.
  • Текст нужно нормализовать заранее: числа, сокращения, даты.

Пример

Для голоса af_heart.r6 на вход подаются Kokoro phoneme ids в формате [0] + ids + [0] (int64, [1,N]) и speed=[1.0] (float32, [1]). На выходе — waveform [1,S] с частотой 24 кГц и durations [1,T], где S = 600 * sum(durations).

ПодробнееРазмер одного файла — 8.57 MB, запуск на CPU телефона.
UTMOS 3.98–4.43, WER 2.6–3.4%, voice similarity 0.956–0.973 на 60 отложенных предложениях.
Детектор артефактов отмечает особенности у большинства голосов; у bm_george — шесть.
Происхождение данных голосов Kokoro-82M не подтверждено авторами репозитория; веса заявлены как Apache-2.0.
Текст нужно нормализовать заранее; тренировка — ноябрь 2026.
Обсудить Telegram 0

Запустится ли?

Запустится в INT8

Влезает без сжатия.

  • INT8рекомендуемвеса 0.0 GB · готовые файлы0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.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: INT8 — 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.

    # lazarenkod/fluent-books-voices-en
    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 lazarenkod/fluent-books-voices-en --local-dir ~/models/fluent-books-voices-en
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к fluent-books-voices-en
  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 fluent-books-voices-en — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

lazarenkod/fluent-books-voices-en
Автор
lazarenkod
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии