К содержимому
Аудио

PsarAI-Speech-Flash

лёгкий мультиязычный синтез речи на 257 МБ

2 мин чтенияобновлено

Компактная и быстрая TTS-модель (преобразование текста в речь) от автора nphearum, выделенная из более крупного пакета PsarAI-Speech. Она озвучивает тексты на кхмерском, английском и французском языках, включая смешанные фразы, выдавая аудио с частотой дискретизации 24 kHz. В отличие от полной версии весом 3.2 GB, эта сборка занимает всего 257 MB за счёт отказа от модуля распознавания речи (ASR) и продвинутого клонирования голоса. Подойдёт разработчикам, которым нужен быстрый и лёгкий голосовой движок с поддержкой переключения языков внутри одного предложения.

Ключевые особенности

  • Поддержка трёх языков (кхмерский, английский, французский) и кодового переключения в рамках одной фразы.
  • Компактный размер 257 MB вместо 3.2 GB у полной версии PsarAI-Speech при сохранении качества синтеза.
  • Встроенный голос по умолчанию (Jarvis) или адаптация под тип голоса из короткого аудиопримера с помощью энкодера CAM++.
  • Пайплайн на базе speaker-conditioned T2U (1000 юнитов mHuBERT-147 + 4-gram beam search) и вокодера HiFi-GAN с управлением высотой тона.

Что можно сделать

  • Встроить в голосовых ассистентов или ботов для озвучивания ответов на английском и французском без высоких требований к памяти.
  • Использовать в локальных и десктопных приложениях (есть также версия GGUF для audio.cpp) для быстрой генерации речи с заданным тембром — мужским, женским, высоким или низким.
  • Озвучивать двуязычные тексты и диалоги, где кхмерская речь плавно чередуется с английскими или французскими вставками.

Пример

from psarai_speech import Speech
speech = Speech()
wav = speech.tts("សួស្តី លោក។ Bonsoir, monsieur.")
wav = speech.tts("Good evening, sir.", voice="reference.wav")
ПодробнееКачество: при проверке на 12 тестовых фразах ASR CER составляет 7.3% для float16 против 7.7% у float32 (7 из 12 записей идентичны с корреляцией выше 0.999).
Ограничения: перенос голоса копирует только общий тип, высоту тона и ритм, а не личность диктора (для zero-shot клонирования нужна полная PsarAI-Speech).
Формат весов: T2U и вокодер хранятся в float16, вычисления идут в float32.
Зависимости и лицензия: требуются torch, safetensors, kenlm, numpy, soundfile, soxr (torchaudio для параметра voice); лицензия CC-BY-NC-4.0 (только для некоммерческого использования).
Обсудить Telegram 0 34

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 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.

    # nphearum/PsarAI-Speech-Flash
    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 nphearum/PsarAI-Speech-Flash --local-dir ~/models/PsarAI-Speech-Flash
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к PsarAI-Speech-Flash
  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 PsarAI-Speech-Flash — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

nphearum/PsarAI-Speech-Flash
Автор
nphearum
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

340

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии