К содержимому
Аудио

FireRedTTS3-Base-Russian

русскоязычная TTS-модель с клонированием голоса

2 мин чтенияобновлено

Полный FP32-чекпоинт модели синтеза речи FireRedTTS3-Base (2.12B параметров) со встроенной русскоязычной LoRA (небольшой надстройкой над базовой моделью). Отдельный адаптер для запуска не нужен: в репозиторий уже упакованы токенизатор и модули RedAE и CAM++, необходимые для zero-shot клонирования голоса (повторения тембра по короткому образцу без дообучения). На выходе модель генерирует моно-аудио с частотой дискретизации 24 kHz на русском языке. Пригодится разработчикам голосовых ассистентов, сервисов озвучки и локальных пайплайнов синтеза речи.

Ключевые особенности

  • Всё в одном чекпоинте: русская LoRA (профиль backbone) уже влита в ядро CKermit/FireRedTTS3-Base (оригинал от FireRedTeam/FireRedTTS3).
  • Zero-shot клонирование: в комплект входят ассеты RedAE и CAM++, достаточно передать образец речи и его точную расшифровку.
  • Готовность к продакшну: поддерживается развёртывание через SGLang Omni с готовым конфигом examples/configs/firered_tts3_base.yaml.
  • Проверка слияния: автор проверил идентичность замороженных тензоров, токенизатора и выходов PEFT-слоёв до и после мерджа.

Что можно сделать

  • Локальный TTS-сервер: поднять API-эндпоинт /v1/audio/speech на базе SGLang Omni для озвучки реплик в ботах и внутренних инструментах.
  • Озвучка нужным голосом: генерировать русскоязычные фразы с тембром конкретного диктора по одному референсному аудиофайлу.
  • Интеграция в пайплайны: использовать готовые FP32-веса без ручной загрузки и склейки PEFT-адаптеров при инференсе.

Пример

CUDA_VISIBLE_DEVICES=0 sgl-omni serve \
  --model-path /absolute/path/to/downloaded-model \
  --config examples/configs/firered_tts3_base.yaml \
  --allowed-local-media-path /absolute/path/to/reference-audio \
  --port 8000
ПодробнееОценка до слияния (12 кейсов, 4 спикера): средняя разница speaker-similarity составила -0.00008626, средняя разница WER — 0.00000000 относительно бейзлайна.
Ограничения API: длина поля input ограничена 400 символами, требуется указать language: Russian и референсное аудио с точным текстом.
Требования к среде: совместимая сборка SGLang Omni (от PR #3005, ревизия 718b51d5), более старые версии модель не поддерживают.
Лицензия: Apache-2.0 (сохранена от оригинальной модели FireRedTTS3).
Обсудить Telegram 0 39

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.

    # shustov-te/FireRedTTS3-Base-Russian
    # ===== 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 shustov-te/FireRedTTS3-Base-Russian --local-dir ~/models/FireRedTTS3-Base-Russian
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к FireRedTTS3-Base-Russian
  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 FireRedTTS3-Base-Russian — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

shustov-te/FireRedTTS3-Base-Russian
Автор
shustov-te
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

390

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии