К содержимому
Аудио

Pocket-TTS-LiteRT-FP16

синтез речи и клонирование голоса на устройствах

2 мин чтенияобновлено

Этот репозиторий содержит 22 пакета моделей Pocket TTS, переведённых в формат LiteRT (легковесный движок для выполнения моделей на мобильных и периферийных устройствах) с точностью FP16 (16-битная плавающая запятая). Каждая сборка позволяет генерировать монофоническую аудиозапись с частотой 24 кГц, опираясь на короткий эталонный WAV-файл для настройки голоса. Модели охватывают 26 языков, включая официальные варианты от Kyutai, комьюнити-паки и общий индийский мультиязычный набор. Разработка пригодится разработчикам мобильных приложений и встраиваемых систем, которым требуется локальный синтез речи с возможностью клонирования тембра.

Ключевые особенности

  • Поддержка 26 языков, включая английский, немецкий, французский, японский и другие.
  • Веса моделей сохранены в формате FP16 с входами и выходами FP32 для стабильной работы на CPU.
  • В комплект каждого пакета входят четыре .tflite графа для кодирования аудио, генерации и декодирования.
  • Наличие подробного манифеста (pocket-tts-index.json) с правилами предобработки текста и контрольными суммами.

Что можно сделать

  • Интегрировать локальный синтез речи с клонированием голоса в мобильные приложения под управлением LiteRT.
  • Создать голосовой движок для генерации аудиофайлов по референсному образцу без отправки данных на сервер.
  • Запустить пайплайн обработки текста и аудио с помощью прилагаемого блокнота Colab.

Пример

Для запуска пайплайна и генерации речи по эталонному аудиофайлу используется специальный ноутбук Google Colab из репозитория. Хост-код выполняет токенизацию текста, управление кэшем генерации и сборку итогового аудио на основе файлов пакета.

ПодробнееВыходной аудиосигнал: моно, 24 кГц.
Формат весов: FP16 (графы), FP32 (входы/выходы).
Архитектура: пакеты включают токенайзер, веса и четыре .tflite файла для кодирования референса, генерации и двух стадий декодирования Mimi.
Особенности: Корейский и валлийский пакеты используют более крупные 24-слойные модели.
Обсудить Telegram 0 345

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # Serkali-sudo/Pocket-TTS-LiteRT-FP16
    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 Serkali-sudo/Pocket-TTS-LiteRT-FP16 --local-dir ~/models/Pocket-TTS-LiteRT-FP16
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Pocket-TTS-LiteRT-FP16
  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 Pocket-TTS-LiteRT-FP16 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Serkali-sudo/Pocket-TTS-LiteRT-FP16
Автор
Serkali-sudo
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

3450

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии