К содержимому
Аудио

tiny-voca-zh

ультракомпактная модель синтеза речи для китайского языка

2 мин чтения

Модель основана на архитектуре tiny-voca и представляет собой акустическую систему со встроенным синтезатором формы волны. При весе всего в 4.5 миллиона параметров она принимает на вход китайский текст и выдает готовое аудио с частотой 24 кГц без использования отдельного нейросетевого вокодера. В репозитории доступны два фиксированных голоса (женский F и мужской M), а для предобработки текста используется встроенный фронтенд на базе библиотек cn2an, jieba и pypinyin. Проект подойдет разработчикам, которым требуется быстро и локально озвучивать китайский текст на слабомощном железе.

Ключевые особенности

  • Минимальный размер: всего 4.5M параметров и вес файла весов 18.2 МБ.
  • Два голоса: встроенные пресеты женского (F) и мужского (M) голосов.
  • Прямой вывод: генерация моно-аудио 24 кГц без промежуточного вокодера.
  • Готовый фронтенд: встроенный инвентарь из 115 символов для обработки китайской фонетики и омофонов.

Что можно сделать

  • Интеграция в скрипты: запустить генерацию речи для китайских текстов через Python-код или командную строку.
  • Тонкая настройка: изменять скорость речи, сдвиг и диапазон тона (pitch) при помощи параметров командной строки.
  • Локальный деплой: развернуть легковесный TTS-сервис на локальном железе с минимальными требованиями к VRAM.

Пример

import os
import sys
import soundfile as sf

sys.path.insert(0, "src")
os.environ["TINY_VOCA_FRONTEND"] = "zh"

from tiny_voca.infer import load_model, speak_text, limit_peak

model = load_model("tiny-voca-zh.pt", "cuda")
wave, _ = speak_text(model, "她在笔记本上写下一行字:明天会更好。", "F")
sf.write("out.wav", limit_peak(wave).numpy(), model.config.sample_rate, subtype="FLOAT")
ПодробнееБенчмарки CER (character error rate по Paraformer ASR): студент общий — 2.16%, голос F — 2.52%, голос M — 1.80%, учитель (Qwen3-TTS-12Hz-1.7B) — 1.40%.
Обучение: обучена с нуля на 22,298 синтезированных предложениях (~23.6 часа).
Ограничения: поддерживает только чтение текста фиксированными голосами, не управляет эмоциями и стилем речи.
Лицензия: Apache-2.0.
Обсудить Telegram 0

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.

    # songLucasXXX/tiny-voca-zh
    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 songLucasXXX/tiny-voca-zh --local-dir ~/models/tiny-voca-zh
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tiny-voca-zh
  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 tiny-voca-zh — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

songLucasXXX/tiny-voca-zh
Автор
songLucasXXX
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии