К содержимому
Аудио

Murivo-TTS Octa 21M

лёгкий офлайн-синтез речи на 8 африканских языках

2 мин чтенияобновлено

Murivo-TTS Octa — сверхкомпактная TTS-модель (синтез речи из текста) от разработчика samuelolubukun, работающая полностью офлайн на восьми языках Африки: суахили, хауса, йоруба, игбо, луганда, фула, луо и чви. На выходе получается студийное аудио с частотой дискретизации 48 кГц. В основе лежит 8-слойный Flow-Matching DiT (диффузионный трансформер) на 20,9M параметров, дообученный с английского чекпоинта murivo-tts-21m-english в связке с нейровокодером VoxCPM2 AudioVAE. Модель пригодится разработчикам мобильных и edge-приложений, которым нужна быстрая локальная озвучка для африканских регионов без подключения к облаку.

Ключевые особенности

  • Высокая скорость: на стандартных GPU синтез идёт в 12,9–20,6 раза быстрее реального времени.
  • Компактный размер: основная версия в FP16 весит около 40 МБ, а квантованная в INT8 ONNX-версия для мобильных устройств — всего 15,5 МБ.
  • Чистое звучание 48 кГц: для декодирования аудио используется вокодер VoxCPM2 Causal AudioVAE с предварительной очисткой обучающих данных через DeepFilterNet 3.
  • Разделение тембров: стратифицированное обучение с отдельными слотами спикеров и языков (spk=0..9) предотвращает смешивание акцентов между тональными и нетональными языками.

Что можно сделать

  • Офлайн-озвучка в мобильных приложениях: встроить 15,5-мегабайтную модель murivo_tts_octa_int8.onnx через ONNX Runtime в Android/iOS-приложения, C++ или Rust-сервисы.
  • Локализация образовательных и голосовых сервисов: озвучивать тексты на суахили, хауса, йоруба и ещё пяти языках с настройкой скорости речи и числа шагов генерации.

Пример

from infer import MurivoSynthesizer
import soundfile as sf

synth = MurivoSynthesizer(language="swahili", device="cuda")
audio = synth.synthesize(text="Kila siku mpya inatupa fursa ya kujifunza kitu kizuri.", steps=24, speed=1.0)
sf.write("output_swahili.wav", audio, 48000)
ПодробнееТочность фонем (100 - CER) по оценке Meta MMS-1B-all на тестах FLEURS и WaxalNLP: 95,1% на суахили, 92,8% на луо, 89,2% на фула (обходит эталонную запись человека по точности слов — 58,5% против 54,6%), 81,0% без учёта тоновых диакритик на йоруба.
При первом запуске скрипт infer.py автоматически скачает веса вокодера audiovae.pth из репозитория openbmb/VoxCPM2.
Лицензия: Apache 2.0.
Обсудить Telegram 1

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.

    # samuelolubukun/murivo-tts-octa-21m
    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 samuelolubukun/murivo-tts-octa-21m --local-dir ~/models/murivo-tts-octa-21m
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к murivo-tts-octa-21m
  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 murivo-tts-octa-21m — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

samuelolubukun/murivo-tts-octa-21m
Автор
samuelolubukun
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