/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
11,6 ГБ
Лицензия
MIT
Архитектура
vibevoice · dense
Библиотека
transformers
Опубликована
1 окт 2025

VibeVoice-Large-Q8

Генерация аудиоТекст → аудио3 профессии

FabioSarracino/VibeVoice-Large-Q8 — это модель преобразования текста в речь на базе VibeVoice-Large, разработанной Microsoft Research, с селективной 8-битной квантизацией.

658скачиваний за 30 дней101лайквеса обновлены1 окт 2025

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

В данной версии квантизирована языковая модель, тогда как аудиокритичные компоненты, включая diffusion head, VAE и коннекторы, сохранены в полной точности. Размер модели составляет 11,6 ГБ против 18,7 ГБ у исходной версии, а около 52% параметров квантизировано.

Модель предназначена для генерации аудио из текста и может использоваться через Transformers или ComfyUI. Она поддерживает английский и заявлена как multilingual; частота дискретизации выходного аудио составляет 24 кГц. По данным README, селективная квантизация сохраняет качество аудио на уровне исходной модели и снижает требования к видеопамяти примерно до 12 ГБ, что делает модель подходящей для GPU с 12–16 ГБ VRAM.

Для работы требуется NVIDIA GPU с CUDA; CPU, Apple Silicon и AMD GPU не поддерживаются. Модель предназначена для инференса и не рекомендуется для дообучения. Указаны зависимости transformers версии 4.51.3 или новее и bitsandbytes 0.43.0 или новее. Для запуска рекомендуется минимум 12 ГБ VRAM, 16 ГБ RAM и около 11 ГБ свободного места, а для комфортной работы — 16 ГБ или больше VRAM. 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

VibeVoice-Large-Q8 - Selective 8bit Quantization

The first 8-bit VibeVoice model that actually works

License Model Size Quality

🤗 Model • 💻 ComfyUI • 📖 Docs


🎯 Why This Model is Different

If you've tried other 8-bit quantized VibeVoice models, you probably got nothing but static noise. This one actually works.

The secret? Selective quantization: I only quantized the language model (the most robust part), while keeping audio-critical components (diffusion head, VAE, connectors) at full precision.

Results

  • ✅ Perfect audio, identical to the original model
  • ✅ 11.6 GB instead of 18.7 GB (-38%)
  • ✅ Uses ~12 GB VRAM instead of 20 GB
  • ✅ Works on 12 GB GPUs (RTX 3060, 4070 Ti, etc.)

🚨 The Problem with Other 8-bit Models

Most 8-bit models you'll find online quantize everything aggressively: Result: Audio components get quantized → numerical errors propagate → audio = pure noise.


✅ The Solution: Selective Quantization

I only quantized what can be safely quantized without losing quality.

Result: 52% of parameters quantized, 48% at full precision = perfect audio quality.


📊 Quick Comparison

ModelSizeAudio QualityStatus
Original VibeVoice18.7 GB⭐⭐⭐⭐⭐Full precision
Other 8-bit models10.6 GB💥 NOISE❌ Don't work
This model11.6 GB⭐⭐⭐⭐⭐✅ Perfect

+1.0 GB vs other 8-bit models = perfect audio instead of noise. Worth it.


💻 How to Use It

With Transformers

from transformers import AutoModelForCausalLM, AutoProcessor
import torch
import scipy.io.wavfile as wavfile

# Load model
model = AutoModelForCausalLM.from_pretrained(
    "FabioSarracino/VibeVoice-Large-Q8",
    device_map="auto",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
)

processor = AutoProcessor.from_pretrained(
    "FabioSarracino/VibeVoice-Large-Q8",
    trust_remote_code=True
)

# Generate audio
text = "Hello, this is VibeVoice speaking."
inputs = processor(text, return_tensors="pt").to(model.device)
output = model.generate(**inputs, max_new_tokens=None)

# Save
audio = output.speech_outputs[0].cpu().numpy()
wavfile.write("output.wav", 24000, audio)

With ComfyUI (recommended)

  1. Install the custom node:

    cd ComfyUI/custom_nodes
    git clone https://github.com/Enemyx-net/VibeVoice-ComfyUI
    
  2. Download this model to ComfyUI/models/vibevoice/

  3. Restart ComfyUI and use it normally!


💾 System Requirements

Minimum

  • VRAM: 12 GB
  • RAM: 16 GB
  • GPU: NVIDIA with CUDA (required)
  • Storage: 11 GB

Recommended

  • VRAM: 16+ GB
  • RAM: 32 GB
  • GPU: RTX 3090/4090, A5000 or better

⚠️ Not supported: CPU, Apple Silicon (MPS), AMD GPUs


⚠️ Limitations

  1. Requires NVIDIA GPU with CUDA - won't work on CPU or Apple Silicon
  2. Inference only - don't use for fine-tuning
  3. Requires:
    • transformers>=4.51.3
    • bitsandbytes>=0.43.0

🆚 When to Use This Model

✅ Use this 8-bit if:

  • You have 12-16 GB VRAM
  • You want maximum quality with reduced size
  • You need a production-ready model
  • You want the best size/quality balance

Use full precision (18.7 GB) if:

  • You have unlimited VRAM (24+ GB)
  • You're doing research requiring absolute precision

Use 4-bit NF4 (~6.6 GB) if:

  • You only have 8-10 GB VRAM
  • You can accept a small quality trade-off

🔧 Troubleshooting

"OutOfMemoryError" during loading

  • Close other GPU applications
  • Use device_map="auto"
  • Reduce batch size to 1

"BitsAndBytes not found"

pip install bitsandbytes>=0.43.0

Audio sounds distorted

This shouldn't happen! If it does:

  1. Verify you downloaded the correct model
  2. Update transformers: pip install --upgrade transformers
  3. Check CUDA: torch.cuda.is_available() should return True

📚 Citation

@misc{vibevoice-q8-2025,
  title={VibeVoice-Large-Q8: Selective 8-bit Quantization for Audio Quality},
  author={Fabio Sarracino},
  year={2025},
  url={https://huggingface.co/FabioSarracino/VibeVoice-Large-Q8}
}

Original Model

@misc{vibevoice2024,
  title={VibeVoice: High-Quality Text-to-Speech with Large Language Models},
  author={Microsoft Research},
  year={2024},
  url={https://github.com/microsoft/VibeVoice}
}

🔗 Related Resources


📜 License

MIT License.


🤝 Support

If this model helped you, leave a ⭐ on GitHub!


Created by Fabio Sarracino

The first 8-bit VibeVoice model that actually works

🤗 HuggingFace • 💻 GitHub

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
VibeVoiceForConditionalGenerationInference
Ревизия весов
a92ce0b

0 моделей