К содержимому
Другое

Speed Speak TTS

архитектура и пайплайн для обучения MoE-синтеза речи на Tesla T4

2 мин чтенияобновлено

Speed Speak TTS от разработчика Shrijanagain — это открытый проект и кодовая база для претрейна авторегрессионной TTS-модели (синтеза речи из текста) на одной видеокарте уровня Tesla T4 с 16 ГБ видеопамяти. Модель построена на архитектуре Decoder-only Transformer с блоками MoE (Mixture-of-Experts — смесь экспертов): при общем объёме около 1,006 млрд параметров на каждый токен активируется лишь ~109,6 млн, что снижает нагрузку на железо. На вход подаётся текст и идентификатор диктора или референсное аудио, а на выходе генерируются аудиотокены Meta EnCodec (24 кГц), которые декодируются в WAV-файл. Проект пригодится исследователям и разработчикам, которые хотят с нуля обучить базовую модель синтеза речи или протестировать клонирование голоса на доступных облачных GPU вроде Kaggle и Colab.

Ключевые особенности

  • Экономичная MoE-архитектура: 38 слоёв с 32 экспертами SwiGLU и маршрутизацией top-2 — ёмкость модели на уровне 1B при вычислительной стоимости ~100M активных параметров.
  • Работа с аудиотокенами EnCodec: предсказание 8 кодовых книг (24 кГц, 75 Гц) за один проход по схеме delay-pattern, аналогичной MusicGen.
  • Два режима кондиционирования диктора: выбор по встроенному ID (для датасетов вроде LibriTTS и VCTK) или zero-shot клонирование по референсному аудио через замороженный энкодер ECAPA-TDNN.
  • Оптимизация под 16 ГБ VRAM: поддержка fp16, gradient checkpointing и 8-битного оптимизатора AdamW (через bitsandbytes) удерживает потребление памяти при обучении в пределах 12–14 ГБ.

Что можно сделать

  • Запустить претрейн своей TTS-модели на T4: подготовить датасет (LibriTTS, Common Voice, Emilia или собственный манифест) и запустить обучение в Google Colab или Kaggle с микро-батчем 4.
  • Синтезировать речь и клонировать голос: генерировать озвучку из текста по готовому чекпоинту с настройкой силы стилизации через CFG (Classifier-Free Guidance) и передачей короткого образца голоса в --ref-audio.
  • Адаптировать под нужный язык: обучить собственный byte-level BPE-токенизатор на текстовом корпусе (по умолчанию поддерживается английский и хинди, но базовая байтовая кодировка работает с любыми символами).

Пример

python -m speedspeak.infer --text "Hello from Speed Speak." \
  --ref-audio ref.wav --out out.wav
ПодробнееПараметры: ~1,006B всего / ~109,6M активных (38 слоёв, d_model=512, 8 голов внимания).
Требования: ~12–14 ГБ VRAM (влезает в Tesla T4 16 ГБ при fp16 и 8-bit AdamW); есть smoke-тест на CPU.
Ограничения: это база для претрейна — для уровня коммерческих систем автор отмечает необходимость дообучения на 50k–200k часах аудио и перехода на более свежие кодеки (DAC, Mimi).
Обсудить Telegram 0

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.

    # Shrijanagain/speed-speak-tts
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 Shrijanagain/speed-speak-tts --local-dir ~/models/speed-speak-tts
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к speed-speak-tts
  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 speed-speak-tts — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Shrijanagain/speed-speak-tts
Автор
Shrijanagain
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Eraser

Eraser