/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
neutts-nano
Опубликована
5 мая 2026

NeuTTS-Air-GGUF

Синтез речиТекст → аудио3 профессии

BricksDisplay/NeuTTS-Air-GGUF — набор GGUF-конвертаций компактной модели синтеза речи NeuTTS Nano, разработанной Neuphonic.

485скачиваний за 30 дней0лайковвеса обновлены6 авг 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 локального on-device преобразования текста в речь и мгновенного клонирования голоса по короткому аудиореференсу. Указанный язык — английский.

Архитектура разделена на две части: LLM-компонент на архитектуре llama преобразует фонемизированный текст и коды референсного голоса в речевые токены, а NeuCodec преобразует эти токены в аудио PCM с частотой 24 кГц и обратно. Базовая модель содержит около 228 млн параметров, из которых примерно 117 млн активны. Для работы требуется предварительная фонемизация через espeak-ng, phonemizer или эквивалентный инструмент; исходные английские строки без фонемизации могут работать некорректно. Размер контекста и точные требования к ресурсам не указаны.

К сильным сторонам относятся компактность, возможность локального запуска, поддержка квантованных вариантов от Q2 до Q8 и мгновенное клонирование голоса. Ограничения включают зависимость от отдельного codec.cpp или совместимого рантайма для NeuCodec, необходимость кодировать референсное аудио и выполнять фонемизацию на стороне хоста, а также отсутствие заявленной поддержки языков помимо английского. Репозиторий распространяется по лицензии, обозначенной как other; конкретные условия лицензии в README не приведены.

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

NeuTTS Nano GGUF

GGUF conversions of Neuphonic's NeuTTS Nano — a compact (~228 M params, ~117 M active) on-device TTS LM with instant voice cloning.

The stack is split so each runtime owns the part it's good at:

  • LLM-part — text-and-reference-codes to speech token IDs, stock llama arch, runs in llama.cpp.
  • Codec-part — speech token IDs to/from 24 kHz PCM via NeuCodec, runs in codec.cpp.

Files

LLM-part (llama arch, vocab 194256, RoPE θ=500000 + linear scaling x32)

neutts-nano-<quant>.gguf

FileSize
neutts-nano-f32.gguf925 MB
neutts-nano-f16.gguf467 MB
neutts-nano-bf16.gguf467 MB
neutts-nano-q8_0.gguf253 MB
neutts-nano-q6_k.gguf245 MB
neutts-nano-q5_k_m.gguf217 MB
neutts-nano-q5_k_s.gguf214 MB
neutts-nano-q5_1.gguf216 MB
neutts-nano-q5_0.gguf209 MB
neutts-nano-q4_k_m.gguf210 MB
neutts-nano-q4_k_s.gguf205 MB
neutts-nano-q4_1.gguf202 MB
neutts-nano-q4_0.gguf194 MB
neutts-nano-q3_k_l.gguf200 MB
neutts-nano-q3_k_m.gguf196 MB
neutts-nano-q3_k_s.gguf190 MB
neutts-nano-q2_k.gguf190 MB

Codec-part (NeuCodec, neucodec arch, 65536 codebook, 24 kHz, 80 Hz token rate)

codec[-<quant>].gguf

FileSize
codec-f32.gguf928 MB
codec-f16.gguf465 MB
codec-q8_0.gguf326 MB
codec-q5_k_m.gguf270 MB
codec-q4_k_m.gguf252 MB

Prompt format

The reference flow (from neuphonic/neutts):

user: Convert the text to speech:<|TEXT_PROMPT_START|>{ref_phones} {input_phones}<|TEXT_PROMPT_END|>
assistant:<|SPEECH_GENERATION_START|>{ref_codes_as_speech_tokens}
  • {ref_phones} / {input_phones} — IPA-phonemized text (espeak-ng / phonemizer).
  • {ref_codes_as_speech_tokens} — concatenation of <|speech_N|> strings for each NeuCodec token of a reference clip.
  • Generation continues with more <|speech_N|> tokens until <|SPEECH_GENERATION_END|>.

Speech-token vocab range: <|speech_0|> = id 128262 … <|speech_65535|> = id 193797. Stop token: <|SPEECH_GENERATION_END|> = id 128261.

Notes

  • Reference encoding (audio → speech tokens) needs the codec encode path.
  • Phonemization isn't part of the GGUF — apply espeak-ng (or equivalent) on the host before tokenizing prompts; raw English text will be off-distribution.
  • Source weights: neuphonic/neutts-nano (LLM) and neuphonic/neucodec (codec).

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
a363116

0 моделей