/ Модель

Характеристики

Лицензия
MIT
Базовая модель
chatterbox-nano
Библиотека
coreml
Опубликована
13 сен 2026

chatterbox-nano-coreml

Синтез речиТекст → аудио

CoreML-конверсия Chatterbox Nano предназначена для локального синтеза выразительной английской речи на платформах Apple.

120скачиваний 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 CoreML-конверсию модели ResembleAI/chatterbox-nano для синтеза английской речи на устройствах Apple. В репозитории представлены компоненты GPT-2-small T3 с 110 млн параметров, дистиллированный двухшаговый meanflow S3Gen и HiFT-вокодер; графы покрывают предварительную обработку текста, авторегрессионное декодирование, генерацию акустических признаков и вокодирование. Модель принимает текст и поддерживает паралингвистические теги, например [chuckle], для управления выразительностью речи.

Экспорт включает пакеты .mlpackage и скомпилированные .mlmodelc. Предварительная обработка T3 рассчитана на контекст до 512 токенов, при этом окно для текста ограничено примерно 135 токенами с учётом голосового кондиционирования. Выбор статической пары flow/vocoder задаёт бюджет синтеза: около 9,9 или 29,9 секунды аудио за вызов. Для работы требуется хост-рантайм, который связывает компоненты графа; README описывает запуск на Apple silicon. Лицензия — MIT. В README также отмечено, что пакеты Nano не проверялись на .cpuOnly, поэтому для них рекомендуются вычисления .cpuAndGPU или .all.

Сценарии применения

  • локальный синтез английской речи из текста на Mac
  • озвучивание коротких реплик на iPhone или iPad
  • генерация речи с паралингвистическими тегами, например для смеха
  • встраивание синтеза речи в приложения для Apple silicon

Ограничения

Текстовое окно ограничено примерно 135 токенами, а длина аудио за один вызов зависит от выбранного статического flow/vocoder-бакета и составляет до примерно 9,9 или 29,9 секунды. Режим .cpuOnly для пакетов Nano не проверен; README рекомендует .cpuAndGPU или .all.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Chatterbox Nano — CoreML

CoreML export of ResembleAI/chatterbox-nano (110M GPT2-small T3 + distilled 2-step meanflow S3Gen, English, paralinguistic tags) for Apple platforms, converted by FluidInference.

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

Models

FileSize (fp16)RoleCompute
T3Nano-Prefill-T512-M1536-fp16173 MBGPT2-small prefill over ≤512-token context (batch 1, no CFG), initializes 1536-slot KV cacheCPU+GPU
T3Nano-Decode-M1536-fp16184 MBSingle-step AR decode, KV cache via I/O tensors (9 ms/step)CPU+GPU
T3Nano-Decode-M1536-fp16-stateful184 MBSingle-step AR decode, KV cache in MLState (3.3 ms/step; macOS 15+/iOS 18+)CPU+GPU
FlowMean-N500-fp16228 MBS3Gen meanflow: 500-token bucket → 1000 mel frames, 2 plain Euler steps in-graph (0.38 s/call)CPU+GPU
HiFT-T1000-fp1640 MBHiFTNet vocoder: mel → 24 kHz waveform (0.09 s/call)CPU+GPU
FlowMean-N1000-fp16242 MBS3Gen meanflow, 1000-token bucket → 2000 mel frames (extended ~30 s output; FluidAudio #924)CPU+GPU
HiFT-T2000-fp1640 MBHiFTNet vocoder for the 2000-frame extended bucketCPU+GPU
tables/tables.safetensors87 MBtext/speech embedding tables (host applies; GPT2 wpe is in-graph)
tables/voice-default.safetensors0.7 MBprecomputed built-in voice conditioning (T3 cond embeds + S3Gen ref dict)
tokenizer/1.4 MBGPT2 BPE tokenizer (50276 ids incl. 20 paralinguistic tags: [laugh], [chuckle], [sigh], …)

Output budget / bucket choice

The flow bucket holds voice prompt tokens + generated speech tokens + 3 silence tokens. The built-in voice uses 250 prompt tokens, so N500 yields ≤247 generated tokens ≈ 9.9 s of audio per call and N1000 ≤747 ≈ 29.9 s. Likewise the T3 prefill window holds voice conditioning (376) + text BPE + 1 BOS, i.e. ≤135 text tokens. Pick ONE flow/vocoder pair at load time; the buckets are static shapes, so the extended pair roughly doubles flow+vocoder latency even for short outputs.

The AR stage runs at ~300 tok/s against the 25 Hz speech-token rate (~12× real-time) with the stateful decode; the full compute path is ~3.4× real-time with I/O-KV decode and ~6× with MLState, measured on an M-series Mac with .cpuAndGPU.

⚠️ The sibling Multilingual T3 packages hard-crash under .cpuOnly; the Nano packages have not been matrix-tested there — prefer .cpuAndGPU or .all.

Samples

samples/ has CoreML end-to-end renders (e2e_nano_*.wav) next to stock PyTorch renders (baseline_*.wav), all using the built-in voice. *_tags.wav exercises the [chuckle] paralinguistic tag. Parakeet-v3 transcribes both e2e renders verbatim.

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

git clone -b feat/chatterbox-nano-coreml https://github.com/FluidInference/mobius
cd mobius/models/tts/chatterbox/coreml
uv sync
uv run python verify/e2e_nano_coreml.py   # models auto-download from this repo

Runtime boundary

The graphs cover T3 prefill/decode, the meanflow flow, and the HiFT vocoder. The host runtime must provide:

  • text normalization (punc_norm) + BPE tokenization (tokenizer/; no BOT/EOT wrapping — the prefill context is cond ++ text ++ one BOS speech embed)
  • embedding prep from tables.safetensors (no positional add — GPT2 wpe is applied in-graph)
  • turbo sampling: temperature 0.8 → top-k 1000 → top-p 0.95 → repetition penalty 1.2, EOS = 6562 (no CFG, no alignment analyzer)
  • SineGen randomness (phase_vec, noise inputs to HiFT) and flow 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-nano.py --ref-wav) and shipped as voice-*.safetensors.

Parity (vs upstream PyTorch)

CheckResult
T3 wrappers vs stock (fp32)logits 1.4e-05
T3 CoreML fp16 (I/O-KV / stateful)logits 2.2e-02 / 1.9e-02
Flow CoreML fp16mel max 5.9e-02, mean 1.8e-03
HiFT CoreML fp16wav max 3.3e-03, mean 1.2e-04
e2e ASR round-tripverbatim transcripts; [chuckle] audibly realized

License

MIT, following upstream ResembleAI/chatterbox-nano. 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
f28421e

0 моделей