К содержимому
Аудио

larry-speech-encoder

12,5-Гц FSQ-энкодер речи для TTS

1 мин чтения

Первая модель thelarryproject (phase 1): speech unit ID encoder на 163 618 694 параметра с CTC proxy-головой для выравнивания речевых признаков. Кодирует английскую речь в дискретные unit ID, которые задуманы для downstream-декодера клонирования голоса. Это не ASR-модель.

Ключевые особенности

  • Log mel frontend и conv subsampling: 100 Гц → 25 Гц, затем merge до 12,5 Гц.
  • 6 non-causal SAN-M слоёв с FSMN-вниманием; kernel 31 до merge и 15 после.
  • FSQ-квантование в 15 360 кодов; на выходе один unit ID каждые 80 мс.
  • После FSQ — ещё 6 MHA-слоёв и CTC-голова над SentencePiece-словарём.
  • CTC — только proxy-задача; для обычного ASR или CTC-выравнивания модель не поддерживается.

Пример

from larry.voice.model.speech_encoder import SpeechEncoderModel

model = SpeechEncoderModel.from_pretrained('thelarryproject/larry-speech-encoder')
unit_ids, unit_lengths = model.tokenize(waveforms, waveform_lengths)
ПодробнееCTC-прокси WER на валидации — ~5,52% (greedy, whisper-нормализация); это не заявленная точность ASR.
FSQ: codebook usage 99,9%, perplexity 5827. Вход — mono 16 kHz, выход — ID в диапазоне 0–15 359.
Обучение: ~40 252,8 часа аудио и ~3,7 млрд токенов; данные только PD/CC0/CC-BY, согласие на AI-обучение не запрашивалось.
Нужен Python 3.14+ и пакет larry; квантование заметно убирает спикерскую информацию: probes на кодах — 14,6%/12,7% против 93,3%/89,1% на сырых признаках.
Обсудить Telegram 1 35

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.

    # thelarryproject/larry-speech-encoder
    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 thelarryproject/larry-speech-encoder --local-dir ~/models/larry-speech-encoder
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к larry-speech-encoder
  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 larry-speech-encoder — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

thelarryproject/larry-speech-encoder
Автор
thelarryproject
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

351

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии