К содержимому
Аудио

Kokoro-82M-CoreML-Masked

быстрый синтез речи для iOS и macOS без артефактов

3 мин чтенияобновлено

Компактная TTS-модель (преобразование текста в речь) Kokoro-82M от hexgrad получила обновлённый end-to-end экспорт в формат CoreML от автора milestonemade. Обычные CoreML-сборки вынуждены дополнять короткие фразы пустыми токенами (паддингом) до фиксированной длины, из-за чего двунаправленные LSTM-слои считывают пустоту и делают речь торопливой и «дрожащей». В этой версии LSTM удерживают состояние на пустых шагах, поэтому длительность звуков и интонация полностью совпадают с оригинальной моделью на PyTorch. Релиз пригодится разработчикам под iOS 18+ и macOS 15+, которым нужен локальный офлайн-синтез голоса с естественной подачей.

Ключевые особенности

  • Полный пайплайн в одном вызове: BERT, предсказание длительности, выравнивание, просодия и декодер объединены в единый граф CoreML, выдающий аудио с частотой 24 кГц.
  • Четыре готовых варианта под разную длину фраз: доступны модели с окнами на 5 секунд (fp32 — 327 МБ, fp16 — 233 МБ), 10 секунд (fp16 — 234 МБ) и 15 секунд (fp16 — 236 МБ).
  • Большой набор голосов: в репозиторий включены 54 готовых пресета голосов на 10 языках, а также словари и G2P-модели (перевод текста в фонемы).
  • Точное совпадение с PyTorch: предсказанные длительности фонем идентичны оригиналу, а спектральная корреляция для fp16-версий достигает 0.996–0.9985.

Что можно сделать

  • Встроить офлайн-озвучку в iOS- или macOS-приложение: использовать библиотеку speech-swift для локальной генерации речи без отправки данных в облако.
  • Сделать отзывчивого голосового ассистента: взять быструю версию kokoro_masked_5s_fp16, которая генерирует первый 5-секундный фрагмент примерно за 200 мс на CPU Apple Silicon.
  • Озвучивать длинные предложения без склеек: переключаться на вариант kokoro_masked_15s_fp16, чтобы синтезировать до ~10 секунд речи за один проход с единым интонационным контуром.

Пример

import KokoroTTS

let tts = try await KokoroTTSModel.fromPretrained(
    modelId: "milestonemade/Kokoro-82M-CoreML-Masked",
    modelFile: "kokoro_masked_5s_fp16",
    computeUnits: .cpuOnly)
let audio = try tts.synthesize(text: "Hello world, this is a Kokoro test.", voice: "af_heart")
Подробнее • В слепых тестах на коротких фразах kokoro_masked_5s_fp16 обошла прошлую лучшую сборку kokoro_5s в 6 из 8 пар, а 15-секундная версия выиграла 6 из 6 на длинных предложениях.
• Скорость одного прохода на CPU Apple Silicon: ~200 мс (5s fp16), ~270 мс (5s fp32), ~0.6 с (10s fp16) и ~0.9–1.4 с (15s fp16).
• Ограничения: fp16-модели нужно запускать строго с .cpuOnly (на Neural Engine первая компиляция занимает ~70 минут, а работа в 5 раз медленнее); каждый проход всегда обсчитывает всё окно целиком; у версий 5s и 10s fp16 в начале прохода есть короткий всплеск шума (первые 25 мс нужно обнулять).
• Требования: iOS 18+ или macOS 15+; веса и голоса распространяются под лицензией Apache-2.0, скрипты экспорта — MIT.
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.3 GB · готовые файлы0.8 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 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.

    # milestonemade/Kokoro-82M-CoreML-Masked
    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 milestonemade/Kokoro-82M-CoreML-Masked --local-dir ~/models/Kokoro-82M-CoreML-Masked
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Kokoro-82M-CoreML-Masked
  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

hexgrad/Kokoro-82M
  1. StyleTTS2-LJSpeechоснова семьи
  2. Kokoro-82M
  3. Kokoro-82M-CoreML-Masked

Новые посты про версии StyleTTS2-LJSpeech — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

milestonemade/Kokoro-82M-CoreML-Masked
Автор
milestonemade
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии