К содержимому
Аудио

YourTTS

мультиязычная модель синтеза речи и клонирования голоса

1 мин чтенияобновлено

Модель YourTTS на базе архитектуры VITS поддерживает английский, французский и бразильский португальский языки. Она позволяет клонировать голос по короткой аудиозаписи (zero-shot) или использовать встроенных дикторов. Чекпоинт адаптирован для работы с библиотекой coqui-tts и включает исправления путей к энкодеру динамиков и файлу конфигурации спикеров. Модель подходит для создания голосовых ассистентов, локализации контента и озвучки на поддерживаемых языках.

Ключевые особенности

  • Поддержка zero-shot клонирования голоса по нескольким секундам референсного аудио
  • Работа на трёх языках: английском, французском и бразильском португальском
  • Использование архитектуры VITS с языковыми и внешними эмбеддингами спикеров
  • Встроенные спикеры и возможность подключения внешнего энкодера

Что можно сделать

  • Озвучить текст на английском, французском или португальском языке с помощью встроенных дикторов
  • Клонировать любой голос по короткой чистой аудиозаписи без фонового шума
  • Интегрировать синтез речи в пайплайны и приложения через библиотеку coqui-tts

Пример

from TTS.api import TTS

tts = TTS("tts_models/multilingual/multi-dataset/your_tts")
tts.tts_to_file(
    text="Ceci est un test de synthèse vocale.",
    speaker_wav="reference.wav",
    language="fr-fr",
    file_path="output.wav",
)
ПодробнееАрхитектура: YourTTS (VITS с языковыми и внешними эмбеддингами), выход 16 кГц
Входные данные: символы без фонимизатора, нормализация через multilingual_cleaners
Ограничения: чтение по символам может искажать редкие слова и цифры; французский и португальский обучались на малом числе спикеров
Лицензия: CC BY-NC-ND 4.0 (только некоммерческое использование)
Обсудить Telegram 0 15

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.4 GB · готовые файлы0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 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.

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

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

О модели

tts-hub/yourtts
Автор
tts-hub
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

150

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии