К содержимому
Аудио

libwaifu-cosyvoice-3-visemes

синхронизация губ для CosyVoice3

2 мин чтенияобновлено

Лёгкая модель-аддон от ling0322, которая предсказывает форму рта (визему) для каждых 40 мс речи, синтезированной моделью Fun-CosyVoice3-0.5B-2512. Она не генерирует сам голос, а подключается к пайплайну libwaifu и работает на CPU (процессоре) прямо во время стриминга звука, сохраняя синхронизацию независимо от скорости речи. На выходе получаются 8 базовых визем (A, E, I, O, U, @, MBP для смычки губ и REST для покоя), по которым можно анимировать лица 2D- или 3D-персонажей. Модель пригодится разработчикам виртуальных аватаров, голосовых ботов и интерактивных персонажей.

Ключевые особенности

  • Распознаёт 8 базовых форм губ с шагом 40 мс, точно синхронизированных с аудиопотоком.
  • Компактный вес 2.5 МБ (safetensors в float32) — работает на обычном процессоре без GPU.
  • Учитывает контекст из трёх токенов (текущий и два соседних) и не требует прямого доступа к весам самой CosyVoice3.
  • Поддерживает три языка: китайский, японский и английский.

Что можно сделать

  • Подключить к 2D/3D-аватару или VTuber-модели в пайплайне libwaifu для живого липсинка при стриминге речи.
  • Использовать таблицу cosyvoice3_visemes.table в собственных проектах, если нужно определять форму рта по отдельным речевым токенам без учёта соседей.

Пример

WaifuModel *visemes = waifu_model_open("cosyvoice3-visemes.yaml");
waifu_pipeline_attach_model(pipeline, WAIFU_ATTACHED_MODEL_TEXT_TO_SPEECH_VISEMES, NULL, visemes);
waifu_request_set_int_attribute(request, WAIFU_REQUEST_TEXT_TO_SPEECH_VISEMES, 1);
// На выходе: WaifuViseme для каждых 40 мс аудио
ПодробнееТочность top-1 с учётом соседних токенов: 0.68 (0.71 для китайского, 0.69 для японского, 0.59 для английского).
Смыкание губ (звуки m, b, p) определяется в 81% случаев, ложное закрытие на гласных — всего 1.9%.
Архитектура: один скрытый слой на 256 нейронов поверх эмбеддингов (3 × 80), запускается на CPU.
Лицензия Apache 2.0; неофициальный аддон к FunAudioLLM/Fun-CosyVoice3-0.5B-2512.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 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.

    # ling0322/libwaifu-cosyvoice-3-visemes
    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 ling0322/libwaifu-cosyvoice-3-visemes --local-dir ~/models/libwaifu-cosyvoice-3-visemes
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к libwaifu-cosyvoice-3-visemes
  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

Дообучение модели

FunAudioLLM/Fun-CosyVoice3-0.5B-2512

Новые посты про версии Fun-CosyVoice3-0.5B-2512 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face

О модели

ling0322/libwaifu-cosyvoice-3-visemes
Автор
ling0322
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

Аудио

AGIWSVoice

AGIWSVoice