/ Модель

Характеристики

Лицензия
MIT
Базовая модель
chatterbox
Библиотека
coreml
Опубликована
10 сен 2026

chatterbox-multilingual-coreml

Синтез речиТекст → аудио

CoreML-конверсия многоязычной Chatterbox для синтеза речи из текста на устройствах Apple.

68скачиваний за 30 дней0лайковвеса обновлены25 сен 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

FluidInference подготовила конверсию многоязычной модели Resemble AI Chatterbox в формат CoreML для устройств Apple. Модель синтезирует речь из текста на 23 языках; в README описаны компоненты T3 для предварительной обработки и авторегрессионного декодирования, генератор S3Gen и вокодер HiFT. Декодирование поддерживает KV-кэш; вариант со stateful-кэшем заявлен со скоростью 16,8 мс на шаг и требует macOS 15 или iOS 18 и новее.

Репозиторий содержит модели fp16 в виде .mlpackage и скомпилированных .mlmodelc. Они рассчитаны на вычисления CPU и GPU на Apple-платформах. README приводит сравнение выходов с исходной реализацией PyTorch и отмечает, что запуск компонентов T3 только на CPU приводит к аварийному завершению. Модель распространяется по лицензии MIT.

Сценарии применения

  • озвучивание текста на поддерживаемых языках
  • локальный синтез речи на Apple Silicon
  • интеграция синтеза речи в приложения для iOS и macOS

Ограничения

Для компонентов T3 требуется вычисление на CPU и GPU или другом подходящем режиме; запуск с режимом только CPU приводит к аварийному завершению. Stateful-вариант KV-кэша требует macOS 15 или iOS 18 и новее.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Chatterbox Multilingual — CoreML

CoreML export of ResembleAI/chatterbox multilingual (23 languages, t3_mtl23ls_v2 + s3gen) for Apple platforms, converted by FluidInference (conversion toolkit: mobius PR #89).

Each model ships as both .mlpackage (source) and compiled .mlmodelc.

Models

FileSize (fp16)RoleCompute
T3-Prefill-T256-M1024-fp16977 MBLlama-520M prefill over ≤256-token context (CFG batch 2), initializes 1024-slot KV cacheCPU+GPU
T3-Decode-M1024-fp16977 MBSingle-step AR decode, KV cache via I/O tensors (38 ms/step)CPU+GPU
T3-Decode-M1024-fp16-stateful977 MBSingle-step AR decode, KV cache in MLState (16.8 ms/step; macOS 15+/iOS 18+)CPU+GPU
Flow-N500-fp16229 MBS3Gen flow: 500-token bucket → 1000 mel frames, 10-step CFG Euler in-graphCPU+GPU
HiFT-T1000-fp1640 MBHiFTNet vocoder: mel → 24 kHz waveform (0.09 s/call)CPU+GPU
tables/tables.safetensors34 MBtext/speech embedding + learned positional tables (host applies)
tables/voice-default.safetensors0.1 MBprecomputed built-in voice conditioning (T3 cond embeds + S3Gen ref dict)
tokenizer/grapheme_mtl_merged_expanded_v1.json23-language grapheme tokenizer

⚠️ Do not load the T3 packages with .cpuOnly — prediction hard-crashes (also independently reported by other Chatterbox CoreML ports). Use .cpuAndGPU or .all.

Samples

samples/ has CoreML end-to-end renders (e2e_*.wav) next to stock PyTorch renders (baseline_*.wav) for en/de/fr, all using the built-in voice.

To synthesize locally without the upstream checkpoint (Apple silicon):

git clone -b feat/chatterbox-mtl-coreml https://github.com/FluidInference/mobius
cd mobius/models/tts/chatterbox/coreml
uv sync
uv run python verify/e2e_coreml.py --lang en   # models auto-download from this repo

Runtime boundary

The graphs cover T3 prefill/decode (with the multilingual alignment-analyzer attention rows as outputs), the S3Gen flow, and the HiFT vocoder. The host runtime must provide:

  • text normalization + tokenization (tokenizer/)
  • embedding prep from tables.safetensors (text/speech + positional; the stock prefill context ends with two BOS embeds — replicate exactly)
  • CFG combine cond + w*(cond-uncond), repetition penalty, min-p/top-p, sampling, EOS handling
  • the AlignmentStreamAnalyzer heuristics, fed by the exported align_attn rows (reference port: verify/analyzer_port.py in the conversion toolkit)
  • SineGen randomness (phase_vec, noise inputs to HiFT) and CFM noise z
  • flow bucket padding/cropping; MLState seeding from prefill KV for the stateful decode

Voice cloning from a reference wav additionally needs the VoiceEncoder / S3TokenizerV2 / CAMPPlus encoders, which are not converted here; voices can be prepared offline in Python (export-tables.py --ref-wav) and shipped as voice-*.safetensors.

Parity (vs upstream PyTorch)

CheckResult
T3 wrappers vs stock (fp32)logits 3.8e-05, alignment rows exact
T3 CoreML fp16logits 2.6e-02 (range ±15), align 1.4e-03
Flow CoreML fp16mel max 2.4e-02, mean 2.7e-03
HiFT CoreML fp16wav max 1.7e-02, mean 2.6e-04
e2e ASR round-trip (en)exact transcript, matches PyTorch baseline

License

MIT, following upstream ResembleAI/chatterbox. Upstream embeds Resemble's Perth watermarker in its Python pipeline; this CoreML export does not include a watermarking stage.

Как запустить

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

GPU в ailist

Универсальный рантайм · coreml

Нельзя запустить

CoreML-модели работают только на устройствах Apple.

Ревизия весов
b79c3e4

0 моделей