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 ядроCKermit/FireRedTTS3-Base(оригинал отFireRedTeam/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/speechна 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
Подробнее
Оценка 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).










Комментарии