Linnet linnet-en-35m
компактный стриминговый TTS для CPU
2 мин чтения
Linnet — English-only модель text-to-speech от VoxRT для работы на устройстве: 41,4 млн параметров, 24 кГц, моно. Архитектура — авторегрессионная flow-LM, которая на каждом шаге выдаёт 48-мерный латент, плюс Vocos-подобный нейронный кодек-декодер; аудио стримится с первого шага.
Ключевые особенности
- Работает в реальном времени на одном ядре телефона или десктопа; на Core i9-13900K RTF 9% в 1 поток и 3% в 4.
- Один шаг — 80 мс аудио; потоковая выдача без lookahead, все операторы причинные.
- Два встроенных голоса: linnet-en-f1 и linnet-en-m1; голос задаётся латентом-промптом.
- Нет фонемизатора и текстовой нормализации: числа, валюты, даты и телефоны лучше заранее переписывать словами.
- Только английский; энкодер для создания новых голосов не входит в релиз и требует отдельной лицензии.
Пример
Голос linnet-en-f1, параметры по умолчанию: temp=0.3, cfg=2.0, seed=0. Текст: «Good morning, and welcome back. The meeting starts at nine, and the coffee is already on the table.»
Подробнее
Параметры: flow-LM 31,5 млн + кодек-декодер 9,9 млн; fp16-веса 83 МБ, пиковый RSS на десктопе 187 МБ.Скорость: Core i9 — 7,0–7,4 мс/шаг в 1 поток, первое аудио 75–103 мс; Snapdragon 662 — 42,4 мс/шаг в 1 поток, RTF 53%; Raspberry Pi Zero 2 W — RTF 75% на 4 ядрах.
Ограничения: в слепых тестах примерно в половине пар выход чуть грубее реконструкции кодека; ASR WER 15–30% на коротких фразах из-за токенизации. Код Apache-2.0, веса — Linnet Weights License, не open-source.










Комментарии