/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
265 млн
Лицензия
Apache 2.0
Архитектура
csm · dense
Библиотека
transformers
Опубликована
19 окт 2025

marvis-tts-250m-v0.2

Генерация аудиоТекст → аудио3 профессии

Marvis — компактная модель потокового синтеза речи из текста для голосовых приложений и запуска на пользовательских устройствах.

232скачиваний за 30 дней13лайковвеса обновлены6 ноя 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

Marvis-AI разработала Marvis — компактную модель синтеза речи для потоковой генерации аудио из текста и разговорных голосовых приложений. Модель основана на архитектуре Sesame CSM-1B: мультимодальный трансформер обрабатывает чередующиеся текстовые и аудиотокены, а аудиодекодер восстанавливает речь по токенам RVQ с использованием кодека Kyutai Mimi. В метаданных указано 265 млн параметров и контекст 2048 токенов.

Модель предназначена для потокового синтеза речи с низкой задержкой, в том числе на устройствах Apple Silicon и мобильных устройствах. Она обрабатывает текстовый контекст целиком, что помогает сохранять связность и естественную интонацию без предварительного разбиения текста на фрагменты. Заявлены поддержка английского, французского и немецкого языков, а также клонирование голоса по аудиообразцу.

Репозиторий распространяется по лицензии Apache-2.0. README описывает квантизованный вариант размером около 500 МБ, но в метаданных указан формат safetensors; характеристики конкретной поставки могут отличаться. Качество речи, скорость на разных устройствах и права на использование голосов зависят от сценария; при клонировании голоса необходимо соблюдать применимые законы и получать необходимые разрешения.

Сценарии применения

  • потоковая озвучка текста для голосового ассистента
  • генерация озвучки и дикторского текста для видео
  • создание персонализированных голосовых сообщений
  • синтез речи для средств доступности и коммуникации
  • озвучивание контента для подкастов и медиа
  • клонирование голоса по аудиообразцу

Ограничения

Поддержка заявлена для английского, французского и немецкого языков; качество и скорость могут зависеть от устройства и способа запуска. Для клонирования голосов нужны необходимые права и согласие; README указывает на квантизованный вариант около 500 МБ, тогда как метаданные перечисляют safetensors.

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

Introduction

[code]

Marvis is a cutting-edge conversational speech model designed to enable real-time streaming text-to-speech synthesis. Built with efficiency and accessibility in mind, Marvis addresses the growing need for high-quality, real-time voice synthesis that can run on consumer devices such as Apple Silicon, iPhones, iPads, Macs and others.

Key Features

  • Real-time Streaming: Stream audio chunks as text is processed, enabling natural conversational flow
  • Compact Size: Only 500MB when quantized, enabling on-device inference
  • Edge deployment: Optimized for real-time Speech-to-Speech (STS) on mobile devices (i.e., iPad, iPhone and etc)
  • Natural Audio Flow: Process entire text context for coherent speech synthesis without chunking artifacts
  • Multimodal Architecture: Seamlessly handles interleaved text and audio tokens

Supported Languages

Currently optimized for English, French, and German.

Quick Start

Using MLX

Real audio streaming:

pip install -U mlx-audio
mlx_audio.tts.generate --model Marvis-AI/marvis-tts-250m-v0.2  --stream \
 --text "Marvis TTS is a new text-to-speech model that provides fast streaming on edge devices."

Voice cloning:

mlx_audio.tts.generate --model Marvis-AI/marvis-tts-250m-v0.2  --stream \
 --text "Marvis TTS is a new text-to-speech model that provides fast streaming on edge devices." --ref_audio ./conversational_a.wav

You can pass any audio to clone the voice from or select sample audio file from here.

Model Description

Marvis is built on the Sesame CSM-1B (Conversational Speech Model) architecture, a multimodal transformer that operates directly on Residual Vector Quantization (RVQ) tokens and uses Kyutai's mimi codec. The architecture enables end-to-end training while maintaining low-latency generation and employs a dual-transformer approach:

  • Multimodal Backbone (250M parameters): Processes interleaved text and audio sequences to model the zeroth codebook level, providing semantic understanding and context.

  • Audio Decoder (60M parameters): A smaller, specialized transformer that models the remaining 31 codebook levels to reconstruct high-quality speech from the backbone's representations.

Unlike models that require text chunking based on regex patterns, Marvis processes entire text sequences contextually, resulting in more natural speech flow and intonation.

Use Cases

  • Real-time Voice Assistants: Deploy natural-sounding voice interfaces with custom voices
  • Content Creation: Generate voiceovers and narration with personalized voices
  • Accessibility Tools: Create personalized speech synthesis for communication aids
  • Interactive Applications: Build conversational AI with consistent voice identity
  • Podcast & Media: Generate natural-sounding speech for automated content

Legal and Ethical Considerations:

  • Users are responsible for complying with local laws regarding voice synthesis and impersonation
  • Consider intellectual property rights when cloning voices of public figures
  • Respect privacy laws and regulations in your jurisdiction
  • Obtain appropriate consent and permissions before deployment

License & Agreement

  • Apache 2.0

Citation

If you use Marvis in your research or applications, please cite:

@misc{marvis-tts-2025,
  title={Marvis-TTS: Efficient Real-time Voice Cloning with Streaming Speech Synthesis},
  author={Prince Canuma and Lucas Newman},
  year={2025}
}

Acknowledgments

Special thanks to Sesame and Kyutai for their groundbreaking open-source contributions that inspired our work, and to the broader open-source community for their unwavering support and collaboration.


Version: 0.2

Release Date: 20/10/2025

Creators: Prince Canuma & Lucas Newman

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
CsmForConditionalGeneration
Ревизия весов
15b7c3a

0 моделей