/ Модель

Характеристики

Размер весов
81,4 ГБ
Лицензия
CC BY 4.0
Базовая модель
pocket-tts
Библиотека
coreml
Опубликована
28 янв 2026

pocket-tts-coreml

Синтез речиТекст → аудио3 профессии

Конверсия PocketTTS в CoreML для синтеза английской речи на устройствах Apple с предустановленными голосами и возможностью клонирования голоса.

839скачиваний за 30 дней8лайковвеса обновлены9 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/pocket-tts-coreml — конверсия PocketTTS от Kyutai в формат CoreML для локального синтеза речи на устройствах Apple. Репозиторий содержит три компонента модели: cond_step для предварительного вычисления KV-кэша с учётом голоса и текста, flowlm_step для авторегрессионной генерации и flow_decoder для шумоподавления методом flow matching с восемью шагами Эйлера на кадр. Указаны размеры компонентов около 190–200 МБ каждый.

Модель предназначена для синтеза речи из текста на устройстве. Доступны четыре предварительно закодированных голоса; также поддерживается клонирование голоса с использованием включённых Mimi-энкодеров. Для использования в приложениях Apple README приводит пример через FluidAudioTTS. Метаданные указывают поддержку английского языка и лицензию CC BY 4.0. Компоненты модели занимают заметное место в хранилище устройства.

Сценарии применения

  • озвучивание английского текста на устройствах Apple
  • локальный синтез речи в приложениях для iOS и macOS
  • озвучивание текста одним из четырёх встроенных голосов
  • клонирование голоса по аудиозаписи говорящего

Ограничения

Компоненты занимают около 190–200 МБ каждый, что может ограничивать использование на устройствах с небольшим объёмом хранилища. Поддержка английского указана в метаданных; наличие других языков README не описывает.

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

PocketTTS CoreML

CoreML conversion of kyutai/pocket-tts for on-device inference on Apple platforms.

Models

ModelDescriptionSize
cond_stepKV cache prefill (voice + text conditioning)~200MB
flowlm_stepAutoregressive generation (transformer_out + EOS)~200MB
flow_decoderFlow matching denoiser (8 Euler steps per frame)~190MB
mimi_decoderStreaming audio codec (1920 samples per frame)~11MB

Voices

4 pre-encoded voices in constants_bin/:

  • alba (default), azelma, cosette, javert

Voice cloning is supported: the Mimi encoders are included (mimi_encoder*.mlmodelc at the root for English, v2.1/<lang>/mimi_encoderv3.mlmodelc per language pack). In FluidAudio, use PocketTtsManager.cloneVoice() or fluidaudiocli tts "…" --backend pocket --clone-voice speaker.wav.

Usage

import FluidAudioTTS

let manager = PocketTtsManager()
try await manager.initialize()
let audio = try await manager.synthesize(text: "Hello, world!")

See https://github.com/FluidInference/FluidAudio for the full Swift framework.

License

CC-BY-4.0, inherited from https://huggingface.co/kyutai/pocket-tts. Attribution to Kyutai is required.

References

- https://huggingface.co/kyutai/pocket-tts
- https://arxiv.org/abs/2410.00037
- https://github.com/FluidInference/FluidAudio

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
9174867

0 моделей