К содержимому
Аудио

Mithi v1 Edge

компактный TTS на 39 МБ для 11 языков

2 мин чтенияобновлено

Mithi v1 Edge от Oomni — компактная модель преобразования текста в речь (TTS), созданная для запуска на смартфонах, ноутбуках, Raspberry Pi и серверах без видеокарты. Она озвучивает текст на английском и 10 индийских языках 10 разными голосами, выдавая моно-аудио с частотой дискретизации 24 kHz. Модель имеет 47,6 млн параметров, сжата в форматы int8 и int4 и весит всего 39 МБ (46 МБ вместе с файлами токенизатора). В основе лежат открытые компоненты Maya2-native, Kokoro-82M и indic-bert под свободными лицензиями.

Ключевые особенности

  • 11 языков: поддерживает английский, хинди, бенгальский, гуджарати, каннада, малаялам, маратхи, ория, панджаби, тамильский и телугу.
  • 10 голосов: 5 мужских и 5 женских, причём каждый голос умеет говорить на всех 11 языках.
  • Работа на CPU и edge-устройствах: весит 39 МБ, не требует обязательного GPU и поддерживает настройку числа потоков процессора.
  • Авторазбивка текста: длинные тексты автоматически разбиваются и озвучиваются по предложениям.
  • Лицензия Apache-2.0: разрешено свободное использование, модификация и коммерческое применение, в репозитории также есть ONNX-файлы для работы в браузере.

Что можно сделать

  • Встроить локальную офлайн-озвучку на английском и индийских языках в мобильные приложения, голосовые помощники и устройства на Raspberry Pi.
  • Развернуть лёгкий TTS-сервис или Telegram-бота на недорогом CPU-сервере без видеокарты.
  • Запустить синтез речи прямо в браузере клиента, используя готовые файлы из папки onnx/.

Пример

from run import Mithi

tts = Mithi(device="cpu")
audio = tts.synthesize("Your appointment is confirmed for Monday at 10:30 AM.", lang="en", voice="anirban")
tts.save(audio, "english.wav")
Подробнее Параметры и размер: 47.6M параметров, 39 МБ весов (int8/int4 safetensors), выход 24 kHz mono WAV.
Ограничения: интонации более плоские по сравнению с естественной речью и крупными моделями Mithi, длинный текст читается без учёта контекста соседних предложений.
Метрики: автоматические бенчмарки и оценка MOS (субъективная оценка качества речи) пока не опубликованы.
Обсудить Telegram 1 39

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.

    # Oomni/mithi-v1-edge
    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 Oomni/mithi-v1-edge --local-dir ~/models/mithi-v1-edge
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к mithi-v1-edge
  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 mithi-v1-edge — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Oomni/mithi-v1-edge
Автор
Oomni
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

391

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии