Характеристики

Лицензия: Apache 2.0
Архитектура: cutetts · dense
Опубликована: 24 авг 2026

Ссылки

Hugging Face arXiv 2608.08638

CuteTTS

OPPOer

Синтез речиТекст → аудио3 профессии

Компактная многоязычная модель для синтеза речи из текста и клонирования голоса по образцу.

233скачиваний за 30 дней12лайковвеса обновлены24 авг 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

OPPOer/CuteTTS — компактная модель синтеза речи, представленная в карточке как CuteTTS. Это авторегрессионная модель примерно на 230 млн параметров, которая генерирует речь, моделируя непрерывные латентные представления. Она предназначена для преобразования текста в речь и клонирования голоса по образцу без дополнительного обучения.

Модель поддерживает английский, китайский, французский, немецкий и испанский языки. По данным карточки, она запускается на GPU, CPU и Apple silicon; заявлены задержка около 40 мс до первого аудиофрагмента и скорость примерно в девять раз выше реального времени на NVIDIA RTX 4090. Для использования доступны веб-демо, Python API и CLI.

Результаты в README описывают качество синтеза и клонирования голоса на наборах LibriSpeech и Seed-TTS, но не содержат чисел для самой CuteTTS в видимой части таблицы, поэтому сравнительную оценку качества сделать нельзя. Лицензия репозитория — Apache-2.0.

Сценарии применения

синтез речи из английского текста
озвучивание китайского текста
генерация речи на французском, немецком и испанском языках
клонирование голоса по короткому образцу
создание озвучки через Python API или командную строку

Ограничения

В доступном фрагменте README не приведены численные результаты самой CuteTTS из сравнительной таблицы, поэтому качество по этим бенчмаркам оценить нельзя. Поддержка заявлена для пяти языков; другие языки карточкой не подтверждены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

EN | 中文

CuteTTS: Efficient and High-Quality Speech Synthesis via Autoregressive Modeling of Continuous Latents

A lightweight (~230M-parameter) continuous autoregressive TTS model that runs efficiently on GPUs, CPUs, and Apple silicon.
Ultra-low latency: ~40 ms to the first audio chunk and a throughput of ~9× real time on an NVIDIA RTX 4090.
Excellent speech quality and voice cloning performance.
Web demo, Python API, and CLI.
Multilingual support: English, Chinese, French, German, and Spanish.

Zero-shot voice-cloning performance

Model	Params.	LibriSpeech test-clean WER (%) ↓	LibriSpeech test-clean SIM ↑	Seed-TTS EN WER (%) ↓	Seed-TTS EN SIM ↑	Seed-TTS ZH WER (%) ↓	Seed-TTS ZH SIM ↑
MOSS‑TTS	8B	1.98	67.7	1.84	70.9	1.37	77.0
Qwen3‑TTS	1.7B	2.35	70.3	1.66	71.4	0.91	77.0
FireRedTTS‑2	1.5B	4.32	64.2	1.95	66.5	1.14	73.6
MOSS‑TTS‑Nano	0.1B	4.10	48.4	4.62	49.9	3.13	64.3
F5‑TTS	0.3B	2.42	66.0	1.83	67.0	1.56	76.0
ZipVoice	0.1B	2.05	67.4	1.70	69.7	1.40	75.1
IndexTTS2	1.5B	2.47	70.0	2.22	70.6	1.02	76.5
CosyVoice 3	0.5B	1.99	69.7	2.02	71.8	1.16	78.0
VoxCPM2	2B	3.01	74.0	1.84	75.3	0.97	79.5
VibeVoice	1.5B	–	–	3.04	68.9	1.16	74.4
DiTAR	0.6B	2.39	67.0	1.69	73.5	1.02	75.3
VibeVoice‑Realtime	0.5B	2.00	69.5	2.05	63.3	–	–
Pocket TTS	0.1B	1.59	49.1	1.63	50.7	–	–

CuteTTS	0.2B	2.16	78.9	2.04	76.5	1.41	77.8
CuteTTS‑distill	0.2B	2.41	76.8	2.03	74.2	1.47	75.6

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура cutetts неизвестна transformers в образе рантайма.

Ревизия весов: 1527d16