К содержимому
Аудио

Fun-CosyVoice3-0.5B-2512-dspark

ускоритель генерации речи для CosyVoice3

2 мин чтенияобновлено

Специализированная draft-модель (лёгкая вспомогательная нейросеть для спекулятивного декодирования, которая заранее предсказывает несколько токенов, а основная модель быстро их проверяет), ускоряющая синтез и клонирование голоса на базе FunAudioLLM/Fun-CosyVoice3-0.5B-2512. Модель размером 0.24B параметров построена на архитектуре DSpark (3 слоя Qwen3 с замороженными эмбеддингами от основной модели) и работает в связке с движком sglang-omni. В отличие от аналога от SpeechSpec, она точнее угадывает речевые токены на английском и китайском языках, обеспечивая более высокий прирост пропускной способности без потери качества звука — распределение токенов остаётся идентичным оригиналу. Пригодится разработчикам голосовых сервисов, которым нужно снизить задержки при потоковом синтезе речи.

Ключевые особенности

  • Прирост скорости без потери качества: ускоряет генерацию в 1.17–1.41x на английском и в 1.21–1.52x на китайском языке в зависимости от нагрузки, сохраняя точность распознавания (WER 1.27%, CER 0.23%).
  • Снижение задержек: уменьшает p95 latency на 13–31% при разном количестве одновременных запросов по сравнению с запуском без draft-модели.
  • On-policy обучение: обучена на 756 620 реальных ответах самой Fun-CosyVoice3 с учётом клонирования голоса и кросс-языковых сценариев.
  • Открытая лицензия: распространяется под Apache-2.0, как и целевая модель.

Что можно сделать

  • Ускорить потоковый TTS-сервер: подключить к Fun-CosyVoice3-0.5B-2512 в sglang-omni для снижения времени ожидания в голосовых ассистентах.
  • Масштабировать клонирование голоса: использовать на GPU при одновременной обработке множества запросов на английском и китайском языках с сохранением оригинального тембра.

Пример

sgl-omni serve --model-path FunAudioLLM/Fun-CosyVoice3-0.5B-2512 \
  --tts_engine.engine.speculative_algorithm DSPARK \
  --tts_engine.engine.speculative_draft_model_path wilsonzheng0327/Fun-CosyVoice3-0.5B-2512-dspark
Подробнее Бенчмарки SeedTTS (1× H200, SGLang 0.5.23): среднее число принятых токенов за шаг (Accept) — 2.93 на EN (против 2.20 у SpeechSpec) и 3.09 на ZH (против 2.99).
Задержка первого аудиочанка (First audio p95) при 16 одновременных запросах увеличивается на 6.0% на EN (с 284 до 301 мс) и на 2.7% на ZH.
Обучение: 8 эпох на 2× H200 (1 ч 36 мин), 222M токенов из LibriTTS-R, AISHELL-1, Common Voice zh-CN и YODAS2.
Обсудить Telegram 0 24

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.4 GB · готовые файлы1.0 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.

    # wilsonzheng0327/Fun-CosyVoice3-0.5B-2512-dspark
    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 wilsonzheng0327/Fun-CosyVoice3-0.5B-2512-dspark --local-dir ~/models/Fun-CosyVoice3-0.5B-2512-dspark
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Fun-CosyVoice3-0.5B-2512-dspark
  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

FunAudioLLM/Fun-CosyVoice3-0.5B-2512

Новые посты про версии Fun-CosyVoice3-0.5B-2512 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face

О модели

wilsonzheng0327/Fun-CosyVoice3-0.5B-2512-dspark
Автор
wilsonzheng0327
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии