/ Модель

Характеристики

Лицензия
MIT
Базовая модель
chatterbox
Опубликована
18 июн 2026

Chatterbox-Multilingual-TTS-GGUF

Синтез речиТекст → аудио3 профессии

Chatterbox-Multilingual TTS GGUF — это преобразованная в формат GGUF версия мультиязычной модели синтеза речи Chatterbox T3, разработанной Resemble AI и опубликованной пользователем BricksDisplay.

1 313скачиваний за 30 дней7лайковвеса обновлены31 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель предназначена для преобразования текста в естественно звучащую речь на 23 языках, а также поддерживает клонирование голоса по эталонному WAV-файлу с использованием отдельного речевого токенизатора S3T.

Архитектура разделена на Llama-520M backbone и компонент codec_lm: backbone содержит 30 слоёв, скрытое представление размерностью 1024, 16 голов внимания, MLP размерностью 4096 и Llama 3 RoPE scaling; codec-компонент включает декодер flow-matching, HiFi-GAN vocoder и адаптер языковой модели. Доступны варианты квантования от F32 до Q2_K, что позволяет выбирать между качеством и требованиями к памяти. Для запуска используются llama.cpp и codec.cpp, а для клонирования голоса требуется файл chatterbox-mtl-s3t.gguf.

Поддерживаются арабский, датский, немецкий, греческий, английский, испанский, финский, французский, иврит, хинди, итальянский, японский, корейский, малайский, нидерландский, норвежский, польский, португальский, русский, шведский, суахили, турецкий и китайский языки. Ограничения включают необходимость совместимого runtime и комплекта из нескольких GGUF-файлов; README не приводит количественных оценок качества, скорости или требований к оборудованию. Модель распространяется по лицензии MIT.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Chatterbox-Multilingual T3 GGUF

End-to-end GGUF conversion of ResembleAI's Chatterbox multilingual T3 (t3_mtl23ls_v3.safetensors — 23-language coverage).

This release adopts the native codec_lm split used by CSM / Qwen3-TTS / MOSS-TTSD:

  • Backbone (chatterbox-mtl-t3-<quant>.gguf) — stock llama arch GGUF of Chatterbox T3's Llama-520M tfmr.* weights (30 layers, hidden 1024, 16 heads, head_dim=64, MLP 4096, llama3 RoPE scaling, rope_theta=500000, vocab placeholder = tokenizer.ggml.model = "none"). Runs in stock llama.cpp with embeddings=true.
  • Codec + codec_lm (chatterbox-mtl-codec-<quant>.gguf) — Chatterbox S3G (flow-matching decoder + HiFi-GAN vocoder) bundled with the T3 LM-adaptor side (audio embed table, speech head, text embed/head, learned positional embeddings, cond encoder weights). Runs in codec.cpp as a parallel_heads_delay codec_lm with n_cb=1.
  • S3T tokenizer (chatterbox-mtl-s3t.gguf) — speech tokenizer needed when registering a custom voice from a reference WAV.

Compared to the earlier release in this repo, the old t3-*.gguf (custom shape) and t3-extras.gguf are gone — everything the host runtime needs to drive the LM adaptor is now bundled into chatterbox-mtl-codec-*.gguf and exposed through codec.cpp's codec_lm API.

Files

Backbone (chatterbox-mtl-t3-<quant>.gguf)

FileSize
chatterbox-mtl-t3-f32.gguf1.9 GB
chatterbox-mtl-t3-f16.gguf961 MB
chatterbox-mtl-t3-bf16.gguf961 MB
chatterbox-mtl-t3-q8_0.gguf511 MB
chatterbox-mtl-t3-q6_k.gguf395 MB
chatterbox-mtl-t3-q5_1.gguf361 MB
chatterbox-mtl-t3-q5_k_m.gguf340 MB
chatterbox-mtl-t3-q5_k_s.gguf331 MB
chatterbox-mtl-t3-q5_0.gguf331 MB
chatterbox-mtl-t3-q4_1.gguf301 MB
chatterbox-mtl-t3-q4_k_m.gguf289 MB
chatterbox-mtl-t3-q4_k_s.gguf273 MB
chatterbox-mtl-t3-q4_0.gguf271 MB
chatterbox-mtl-t3-q3_k_l.gguf254 MB
chatterbox-mtl-t3-q3_k_m.gguf232 MB
chatterbox-mtl-t3-q3_k_s.gguf207 MB
chatterbox-mtl-t3-q2_k.gguf177 MB

Codec + codec_lm (chatterbox-mtl-codec-<quant>.gguf)

FileSize
chatterbox-mtl-codec-f32.gguf572 MB
chatterbox-mtl-codec-f16.gguf317 MB
chatterbox-mtl-codec-q8_0.gguf226 MB
chatterbox-mtl-codec-q5_k_m.gguf190 MB
chatterbox-mtl-codec-q4_k_m.gguf178 MB

S3T speech tokenizer

chatterbox-mtl-s3t.gguf (F16, 237 MB) — needed for voice-clone, encodes a reference WAV into the speech token IDs that the codec_lm consumes when registering a custom speaker. Same weights as English Chatterbox.

Inference shape

Per-frame AR loop, single-codebook parallel_heads_delay:

backbone (Llama-520M, embeddings=true) hidden h
    → codec_lm_step_begin(state, h)
    → codec_lm_step_logits(0) → sample speech-token → codec_lm_step_push_code
    → codec_lm_step_finish → codes[1]
    → codec_lm_compose_audio_embd(codes) + speech_pos_emb[step] → next-step embedding
    → feed via b.embd; loop until stop_speech_token (6562)

Prompt prefix assembly (text + cond) lives inside codec.cpp's chatterbox path; the host application doesn't directly touch lm.chatterbox.* tensors.

Sources

Supported languages

Arabic, Danish, German, Greek, English, Spanish, Finnish, French, Hebrew, Hindi, Italian, Japanese, Korean, Malay, Dutch, Norwegian, Polish, Portuguese, Russian, Swedish, Swahili, Turkish, Chinese (23 total).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
37277ee

0 моделей