Характеристики

Лицензия: Apache 2.0
Опубликована: 4 авг 2026

Ссылки

phoonnx-kitten-tts

Синтез речиТекст → аудио

Набор небольших моделей KittenTTS в формате ONNX для локального синтеза английской речи на CPU с выбором из восьми голосов.

0скачиваний за 30 дней1лайквеса обновлены4 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

phoonnx-kitten-tts — зеркало моделей KittenML/KittenTTS, подготовленное для движка phoonnx. Репозиторий содержит три небольшие модели синтеза речи nano-0.1, nano-0.2 и mini-0.1 в формате ONNX; исходные графы ONNX не изменены. Модели работают локально на CPU и предназначены для преобразования английского текста в речь. Доступны восемь голосовых стилей, а выходной аудиосигнал имеет частоту 24 кГц.

Токенизация выполняется посимвольно по IPA для американского английского с ударениями. В README приведены результаты проверки на пяти предложениях: WER составил 0,08 для nano-0.1 и nano-0.2 и 0,04 для mini-0.1; среднее отношение времени синтеза к длительности аудио на CPU — 0,24, 0,23 и 0,49 соответственно. Эти результаты ограничены небольшим набором примеров. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

озвучивание английского текста на локальном устройстве
синтез речи для офлайн-приложений без GPU
выбор одного из восьми голосовых стилей для английской озвучки

Ограничения

Модели рассчитаны на английский язык и работают с набором голосовых стилей, перечисленным в карточке. Приведённые показатели качества получены всего на пяти предложениях и не характеризуют все сценарии использования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

phoonnx-kitten-tts

phoonnx mirror of KittenML/KittenTTS — a family of tiny, fully offline, CPU-only English TTS models. The upstream ONNX graphs are used unmodified; this repo adds phoonnx-canonical config.json files (vocab + inference defaults) and splits each voices.npz into one style .bin file per voice, matching phoonnx's StyleTTS2Adapter engine_params contract.

Upstream sources (Apache-2.0, verified on each model card):

Layout

nano-0.1/model.onnx, config.json, <voice>.bin (x8)
nano-0.2/model.onnx, config.json, <voice>.bin (x8)
mini-0.1/model.onnx, config.json, <voice>.bin (x8)

Voices (same 8 across all tiers): expr-voice-2-m, expr-voice-2-f, expr-voice-3-m, expr-voice-3-f, expr-voice-4-m, expr-voice-4-f, expr-voice-5-m, expr-voice-5-f.

Engine contract

input_ids (int64) + style (1, 256) + speed (1) -> waveform @ 24kHz, the same single-graph contract phoonnx's StyleTTS2Adapter already implements for StyleTTS2 and Kokoro — no new adapter code was needed. Tokenization is a per-character map over espeak-ng en-us IPA (with stress marks), reproduced verbatim from kittentts==0.1.3's inline vocab, not hand-copied.

Parity / quality gates (2026-08-04, phoonnx feat/kitten-tts)

WER (parakeet-tdt-0.6b-v2, 5 sentences, expr-voice-2-f):

tier	WER	mean RTF (CPU)
nano-0.1	0.08	0.24
nano-0.2	0.08	0.23
mini-0.1	0.04	0.49

No torch reference implementation is published upstream (KittenTTS ships ONNX only), so there is no torch<->onnxruntime parity check to run. Upstream ships exactly one precision per tier (no separate fp16/int8 variants), so no variant-consistency check applies either.

No 5000-sample trailing trim is applied: kittentts==0.1.3's own KittenTTS.generate() returns the raw graph output with no post-processing, and inspecting the tail of phoonnx-synthesized audio shows no noise burst (tail RMS in the same range as the rest of the clip).

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов: e608f0a