К содержимому
Аудио

Sayso

компактная модель фонетизации английских слов для Kokoro-82M

2 мин чтенияобновлено

Модель решает задачу grapheme-to-phoneme (G2P — перевод написанных слов в фонетическую транскрипцию) для неизвестных словарям английских слов: имён собственных, названий инструментов и профессионального жаргона. На выходе она выдаёт последовательность фонем в формате библиотеки misaki, поэтому результат можно напрямую передавать в популярную TTS-модель (синтез речи) Kokoro-82M. Sayso построена на лёгкой архитектуре трансформера с энкодером и декодером (5.59M параметров) от разработчика rednaSander для приложения Papegai и работает как для американского, так и для британского вариантов английского. В отличие от классического espeak-ng, она заметно точнее предсказывает произношение незнакомых слов и позволяет обходиться без тяжёлых внешних зависимостей.

Ключевые особенности

  • Поддержка двух акцентов: американский () и британский () английский выбираются одним стартовым токеном.
  • Компактность и формат ONNX: всего 5.59M параметров, файлы разделены на g2p-encoder.onnx и g2p-decoder.onnx для быстрого инференса без PyTorch.
  • Прямая совместимость с misaki и Kokoro-82M без дополнительной конвертации фонем.
  • Лицензия Apache-2.0, основанная на открытых словарях misaki 0.9.4.

Что можно сделать

  • Заменить espeak-ng в пайплайне озвучки текста на базе Kokoro-82M для корректного чтения редких терминов, никнеймов и названий брендов.
  • Встроить в локальные ридеры, голосовые ассистенты или браузерные расширения, где важен минимальный вес модели и запуск через onnxruntime.

Пример

import json, numpy as np, onnxruntime as ort
v = json.load(open("g2p-vocab.json", encoding="utf-8"))
src_id = {c: i for i, c in enumerate(v["src"])}
enc = ort.InferenceSession("g2p-encoder.onnx")
dec = ort.InferenceSession("g2p-decoder.onnx")
ids = [src_id[""]] + [src_id[c] for c in "casanovo"]
mem = enc.run(["mem"], {"src": np.array([ids], dtype=np.int64)})[0]
# далее жадное декодирование в dec до токена  -> kˌɑsənˈOvO
ПодробнееТочность на отложенной выборке: 78.0% для US (против 28.1% у espeak-ng) и 80.2% для UK (против 72.1% у espeak-ng), доля ошибок в звуках — 4.6% и 4.5%.
Архитектура: трансформер (ширина 256, 3+3 слоя, 4 головы), обучен на ~356 000 пар слов за 34 минуты на одной RTX 5090.
Ограничения: длина слова до 31 символа (только буквы a-z и апостроф), обрабатывает только одиночные слова — составные слова, числа и аббревиатуры нужно разбивать заранее.
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.

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

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

О модели

rednaSander/sayso
Автор
rednaSander
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

TinyVoca DDSP

TinyVoca DDSP
Аудио

Vaani-3 ASR

Vaani-3 ASR
Аудио

fiato

fiato