К содержимому
Аудио

Pocket TTS Core ML с таймстампами

озвучка с точным пословным временем

1 мин чтенияобновлено

Модель представляет собой конвертацию речевого движка Pocket TTS от Kyutai в формат Core ML для работы на устройствах Apple. Главное отличие этой версии — добавленный экспорт пословных таймстампов (времени произнесения каждого слова) прямо во время генерации речи благодаря вниманию определённых голов модели. Это пригодится разработчикам мобильных приложений и сервисов, которым нужна синхронизация озвучки с текстом, например для караоке или подсветки субтитров в реальном времени.

Ключевые особенности

  • Оптимизирована под Core ML для запуска на устройствах Apple
  • Добавлен вывод пред-softmax оценок внимания для получения точных таймстампов слов
  • Структура файлов совместима с экосистемой FluidInference и библиотекой FluidAudio
  • Базовые веса и компоненты декодеров полностью соответствуют оригинальной модели от Kyutai

Что можно сделать

  • Интегрировать локальный синтез речи в iOS или macOS приложения с показом субтитров по словам
  • Создать интерактивный плеер с подсветкой текста во время воспроизведения аудио
  • Использовать модель совместно с библиотекой FluidAudio для быстрой работы на чипах Apple Silicon

Пример

Модель используется через совместимые библиотеки вроде FluidAudio для генерации речи из текста с одновременным получением таймстампов пословного внимания.

ПодробнееБазовая модель: kyutai/pocket-tts
Библиотека: coreml
Лицензия: CC-BY-4.0
Особенности: переэкспортирован flowlm_step.mlmodelc с дополнительным выходом таймстампов
Обсудить Telegram 0 14

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 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.

    # tkpop777/pocket-tts-coreml
    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 tkpop777/pocket-tts-coreml --local-dir ~/models/pocket-tts-coreml
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к pocket-tts-coreml
  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

Дообучение модели

kyutai/pocket-tts

Новые посты про версии pocket-tts — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

tkpop777/pocket-tts-coreml
Автор
tkpop777
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

140

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Изображения

SD 1.5 CoreML

SD 1.5 CoreML