/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
neutts-2e
Опубликована
25 июл 2026

neutts-2e-coreml

Синтез речиТекст → аудио3 профессии

CoreML-конверсия NeuTTS-2E для локального синтеза выразительной английской речи с выбором одного из четырёх голосов и эмоции на устройствах Apple.

78скачиваний 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

NeuTTS-2E CoreML — конвертированная FluidInference версия модели neuphonic/neutts-2e для локального синтеза выразительной речи на устройствах Apple. В основе — языковой блок Qwen3 размером 236 млн параметров и декодер NeuCodec; модели CoreML рассчитаны на macOS и iOS. Текст проходит через токенизатор без фонемизатора, после чего декодер формирует аудио с частотой 24 кГц.

Модель синтезирует английскую речь четырьмя фиксированными голосами — Emily, Paul, Sophie и Steven — с нейтральной подачей и шестью эмоциями: гневом, отвращением, страхом, радостью, грустью и удивлением. Поддерживаются пакетная и потоковая генерация; варианты с контекстом до 2048 токенов подходят для более длинных высказываний, а версии на 1024 токена декодируют быстрее, но ограничивают длину. README приводит результаты производительности и сравнения с PyTorch на M5 Pro. Лицензия в метаданных обозначена как other, без уточнения условий.

Сценарии применения

  • синтез английской речи для озвучивания текста на устройствах Apple
  • генерация реплик выбранным голосом для приложения или игры
  • озвучивание текста с эмоциональной подачей
  • потоковая генерация речи с коротким временем до первого аудио

Ограничения

Доступны только четыре фиксированных голоса и семь вариантов эмоциональной подачи; для более длинных высказываний требуется вариант с контекстом 2048 токенов. Perth watermark не включён в модели и должен применяться принимающим приложением отдельно.

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-2E CoreML

CoreML conversion of neuphonic/neutts-2e (emotional English TTS: Qwen3 236M backbone + NeuCodec decoder) for on-device inference on Apple platforms. Converted by FluidInference; conversion sources live in the mobius repo under models/tts/neutts-2e/coreml/.

Six emotions plus neutral (angry, disgusted, fearful, happy, sad, surprised, neutral) across four fixed speakers (emily, paul, sophie, steven), 24 kHz output.

Files

FileRoleTarget
LM-Prefill-T768-M2048-fp16.mlpackageprompt → last-position logits + KV cachemacOS 14+ / iOS 17+
LM-Decode-M2048-fp16.mlpackageper-token decode, pass-through KVmacOS 14+ / iOS 17+
LM-Decode-M2048-fp16-stateful.mlpackageper-token decode, MLState KVmacOS 15+ / iOS 18+
LM-Prefill-T768-M1024-fp16.mlpackagefaster pair, 1024-token capmacOS 14+ / iOS 17+
LM-Decode-M1024-fp16-stateful.mlpackagefaster pair, 1024-token capmacOS 15+ / iOS 18+
NeuCodec-Decoder-fp16.mlpackagespeech codes → 24 kHz audio (flexible length 2–2000)macOS 14+ / iOS 17+
samples/*.pt, samples/*.txtpre-encoded speaker reference codes + transcripts—

The M=1024 pair decodes ~23 % faster (7.0 ms/token vs 9.1 on M5 Pro) but caps prompt+generation at 1024 tokens (≈11 s of audio after the emily prompt); use the M=2048 pair for longer utterances. Tokenizer comes from the upstream repo.

Pipeline

text → tokenizer → [prefill] → logits + KV
                        ↓ top-k sampling loop (temp 1.0, k 50), 50 codes/s
                   [decode]  → <|speech_N|> tokens until <|SPEECH_GENERATION_END|>
                        ↓
                   [NeuCodec-Decoder] → 24 kHz waveform

Prompt layout (BPE, no phonemizer): <|TEXT_PROMPT_START|>{ref_text}[<|EMOTION|>]{text}<|TEXT_PROMPT_END|><|SPEECH_GENERATION_START|>{ref codes}. Compute-unit guidance: run the LM on GPU (.all / .cpuAndGPU — the ANE rejects the decode graph), the codec on .cpuAndNeuralEngine (~2× faster than GPU). For streaming, decode the codec in 82-frame windows with 25-frame stride and linear overlap-add (upstream's scheme) — ~550 ms to first audio.

Note: upstream applies a Perth watermark to generated audio in the host app; that postprocessing is not part of these models — hosts should apply it themselves.

Parity & performance (M5 Pro)

  • CoreML fp16 LM vs PyTorch fp32: argmax match; teacher-forced replay of a 301-token reference keeps 98.7 % of tokens inside the top-50 sampling support; codec SNR 40–47 dB vs PyTorch across lengths; end audio 41.5 dB vs the PyTorch reference waveform.
  • Decode 7.0–9.1 ms/token (109–143 tok/s vs 50 needed for real-time), prefill 33–40 ms warm, codec 12.7–27× RT on ANE.
  • Batch ≈ 2× real-time; streaming ≈ 1.6× RT with ~550 ms time-to-first-audio, 0 % ASR round-trip WER on medium/long texts (parakeet-tdt-v3).

License

Inherits the upstream NeuTTS Open License v1.0 (free research use and limited commercial use; paid license required for large-revenue commercial deployments — see LICENSE for exact terms). NeuCodec components follow the neuphonic/neucodec terms.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
1f2fed1

0 моделей