К содержимому
Аудио

AksharaVP-17M

сверхлёгкий синтез речи на 17.6M параметров с клонированием голоса

2 мин чтенияобновлено

AksharaVP-17M от автора sourojitdotcom — компактная модель для задачи TTS (синтез речи из текста), которая озвучивает тексты на телугу, хинди и индийском английском с частотой дискретизации 24 кГц. Внутри используются 8-слойный трансформер (15M параметров), 4-шаговый генератор латентных кадров на базе flow-matching и декодер Mimi от Kyutai (2.6M параметров) — всё упаковано в один чекпоинт без внешних вокодеров и фонемайзеров. Главная особенность на фоне более крупных аналогов вроде Hima TTS nano и Meta MMS-TTS — минимальный вес (35.3 МБ в f16 GGUF) при поддержке zero-shot клонирования голоса (копирования тембра по паре секунд аудио без дообучения). Модель пригодится разработчикам мобильных, локальных и браузерных приложений, где нет GPU.

Ключевые особенности

  • Сверхмалый размер: всего 17.6M параметров в основном чекпоинте (и ещё 9.7M для опционального энкодера клонирования голоса) — один из самых лёгких мультиязычных TTS.
  • Быстрая работа без GPU: синтез речи идёт в 2.6–2.9 раза быстрее реального времени на одном потоке обычного CPU и до 5.5 раз быстрее на четырёх потоках.
  • 12 голосов и zero-shot клонирование: в комплекте 12 встроенных голосов, а при подключении clone_encoder.safetensors можно скопировать любой голос по записи длиной до 5 секунд, включая кросс-языковой перенос.
  • Запуск прямо в браузере: модель портирована в ONNX Runtime Web (WebAssembly) и работает полностью на стороне клиента без отправки аудио на сервер.

Что можно сделать

  • Встроить офлайн-озвучку уведомлений, статей или навигации в мобильные и десктопные приложения с жёстким лимитом по памяти.
  • Развернуть клиентский голосовой интерфейс прямо на веб-странице через WebAssembly без затрат на серверные видеокарты.
  • Персонализировать озвучку в ботах или локальных ассистентах, клонируя нужный голос по короткому референсу длиной в несколько секунд.

Пример

from aksharavp_tts import AksharaVP

tts = AksharaVP(".")
ПодробнееБенчмарки (FLEURS dev, 100 фраз): CER (процент ошибок по символам) составил 6.04% на телугу, 4.57% на хинди и 4.37% на индийском английском.
Оценка естественности UTMOS (шкала 1–5): 2.64 (te), 2.73 (hi), 3.19 (en) — речь разборчивая, но звучит более плоско, чем у крупных TTS.
Железо и форматы: не требует GPU; доступна в safetensors, f32 GGUF (70.6 МБ) и побитово близком f16 GGUF (35.3 МБ).
Ограничения: поддерживает только три указанных языка (телугу, хинди, английский) и уступает по натуральности интонаций более тяжёлым моделям.
Примеры и видео
Обсудить Telegram 0 34

Запустится ли?

Запустится в GGUF F32

Влезает самая точная из готовых сжатых версий.

  • GGUF F32веса 0.1 GB · готовые файлы0.6 GB
  • F32веса 0.1 GB · готовые файлы0.6 GB
  • GGUF F16веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 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 · GGUF F32 — 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.

    # sourojitdotcom/AksharaVP-17M
    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 sourojitdotcom/AksharaVP-17M --local-dir ~/models/AksharaVP-17M
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к AksharaVP-17M
  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 AksharaVP-17M — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

sourojitdotcom/AksharaVP-17M
Автор
sourojitdotcom
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

340

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

ORB planner

ORB planner