К содержимому
Аудио

TinyVoca DDSP

сверхлёгкий синтез речи на CPU без PyTorch

2 мин чтения

TinyVoca DDSP от автора TuringLogic — компактная модель синтеза речи (TTS) для английского языка на 4,65 миллиона параметров, выдающая моно-аудио с частотой дискретизации 24 кГц. В основе лежит архитектура TinyVoca, где стандартный генератор звука заменили на DDSP (дифференцируемую цифровую обработку сигналов с 64 гармониками и фильтрованным шумом), а веса обучили с нуля на 29,6 часах записей реальных дикторов из датасета HiFi-TTS. Главное отличие от большинства современных TTS-систем — для запуска не нужны ни видеокарта, ни громоздкий PyTorch: модель весит около 25 МБ вместе со словарями произношения и работает через ONNX Runtime прямо на процессоре или в браузере. Пригодится разработчикам локальных голосовых интерфейсов, встраиваемых систем и веб-приложений, где критичны минимальный вес и мгновенный отклик на CPU.

Ключевые особенности

  • Ничтожный размер: всего 4 648 907 параметров; FP32-версия в формате ONNX занимает 19,52 МБ (около 25 МБ со словарями произношения).
  • Высокая скорость на CPU: на процессоре Apple M4 Pro генерация через ONNX Runtime 1.32.0 идёт в 109,9 раза быстрее реального времени (RTF 0.0091), а первая фраза синтезируется за 0,115 секунды.
  • Без зависимости от PyTorch: для инференса достаточно NumPy, ONNX Runtime, SoundFile и фонемайзера dizione; поддерживается даже запуск в браузере через ONNX Runtime Web.
  • Два голоса и настройка темпа: доступны два дикторских голоса (92 и 6097), регулировка скорости речи и управление числом потоков CPU.

Что можно сделать

  • Встроить озвучку прямо в веб-страницу: запустить модель на стороне клиента через ONNX Runtime Web без затрат на серверный GPU (исходники веб-демо включены в репозиторий).
  • Добавить офлайн-озвучку в локальный скрипт или бота: озвучивать короткие английские уведомления и ответы на слабом сервере или ноутбуке с пиковым потреблением около 500 МБ ОЗУ.
  • Переобучить под свой голос: использовать открытый пайплайн обучения на PyTorch из репозитория, чтобы натренировать собственную компактную DDSP-модель.

Пример

hf download TuringLogic/tiny-voca-ddsp --local-dir model \
  --include 'onnx/*' 'phonemizer/*' 'onnx_infer.py' 'requirements-onnx.txt'
pip install -r model/requirements-onnx.txt
python model/onnx_infer.py --voice 92 \
  --text "Hello, this runs on a CPU." --output hello.wav
ПодробнееКачество распознавания (mean sentence WER через faster-whisper small.en): 13,45% на валидации (против 4,85% на живой записи), 7,33% на тесте и 1,67% на новых фразах.
Ограничения: только английский язык, длина одного запроса — до 512 фонемных токенов и 3000 акустических кадров (около 32 секунд аудио), модель генерирует фразу целиком без стриминга.
Обучение: 104 000 шагов (37 833 аудиоклипа, ~3 ч 27 мин на обучающем сервере). Веса распространяются по некоммерческой лицензии CC BY-NC 4.0, код — Apache-2.0.
Обсудить Telegram 0

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.

    # TuringLogic/tiny-voca-ddsp
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 TuringLogic/tiny-voca-ddsp --local-dir ~/models/tiny-voca-ddsp
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tiny-voca-ddsp
  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-ddsp — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

TuringLogic/tiny-voca-ddsp
Автор
TuringLogic
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

Аудио

Sayso

Sayso
Аудио

Vaani-3 ASR

Vaani-3 ASR
Аудио

fiato

fiato