/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
OmniVoice
Библиотека
gguf
Опубликована
27 апр 2026

OmniVoice-GGUF

Синтез речиТекст → аудио3 профессии

OmniVoice-GGUF — это набор весов в формате GGUF для C++17/GGML-порта OmniVoice, разработанного Xiaomi и командой k2-fsa; конверсию и инструменты запуска предоставляет ServeurpersoCom.

34 186скачиваний за 30 дней78лайковвеса 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

Модель предназначена для многоязычного синтеза речи в режиме zero-shot, включая voice design и клонирование голоса по образцу. Она генерирует монофонический звук с частотой 24 кГц и поддерживает 646 языков; в карточке отдельно указаны английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, корейский, арабский и русский языки.

Для работы требуются одновременно два файла: базовая модель omnivoice-base, использующая Qwen3 0.6B для преобразования текста в токены, и токенизатор omnivoice-tokenizer на базе HuBERT, DAC и RVQ для преобразования токенов в аудио и обратно. Доступны варианты F32, BF16, Q8_0 и Q4_K_M объёмом от примерно 659 МБ до 3,19 ГБ за комплект; Q8_0 рекомендуется как вариант по умолчанию, а Q4_K_M — для минимального использования VRAM. Модель может работать на CPU, CUDA, ROCm, Metal и Vulkan.

Сильные стороны модели — широкий языковой охват, поддержка синтеза и клонирования голоса, а также запуск на различных аппаратных платформах и в локальном C++-окружении. Ограничения включают необходимость загружать два файла, зависимость качества и ресурсоёмкости от выбранной квантизации и некоммерческий характер лицензии весов. Веса распространяются по CC-BY-NC 4.0; исходный код OmniVoice имеет лицензию Apache 2.0, аудиокодек — Apache 2.0, а инструменты GGUF — MIT.

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

OmniVoice GGUF

GGUF weights for omnivoice.cpp, a C++17/GGML port of OmniVoice (k2-fsa/OmniVoice). Multilingual zero shot TTS, 646 languages, 24 kHz mono. Runs on CPU, CUDA, ROCm, Metal, Vulkan.

Files

Two GGUFs load together :

omnivoice-base-{variant}.gguf Qwen3 0.6B backbone, text -> tokens omnivoice-tokenizer-{variant}.gguf HuBERT + DAC + RVQ, tokens <-> 24 kHz audio

variantbasetokenizeruse case
F322.46 GB734 MBreference, debug, conversion
BF161.23 GB373 MBsource faithful, max precision
Q8_0656 MB289 MBrecommended default
Q4_K_M407 MB252 MBlowest VRAM

Quick start

git clone --recurse-submodules https://github.com/ServeurpersoCom/omnivoice.cpp.git
cd omnivoice.cpp && ./buildcuda.sh

mkdir -p models
huggingface-cli download Serveurperso/OmniVoice-GGUF \
    omnivoice-base-Q8_0.gguf omnivoice-tokenizer-Q8_0.gguf \
    --local-dir models

cd examples
./tts.sh        # voice design   -> tts.wav
./clone.sh      # voice cloning  -> clone.wav

Backends

Set GGML_BACKEND to force a device, otherwise the runtime picks the best one available.

valuetarget
CUDA0NVIDIA GPU, fastest path on Ada / Blackwell
Vulkan0Cross vendor GPU (AMD / Intel / NVIDIA)
MetalApple Silicon GPU
CPUCPU fallback, x86 variant auto selected

Quantization policy

Tokenizer GGUFs are not uniform quants. Three categories get a dedicated treatment :

tensordtype across all variants
RVQ codebooks, fc, fc2, project_in / project_outF32
Snake activation alphaF32
Conv kernels with non alignable rows (K=7,3,1)F16 (in Q* variants)

Same fallback as llama.cpp tensor_type_fallback : F16 has no block size and matches the runtime target dtype on every backend. The base LM (Qwen3 0.6B, hidden = 1024) has all dimensions divisible by 256 so the fallback never triggers, the LM follows standard llama.cpp K-quant across variants.

License

Upstream weights : OmniVoice by Xiaomi / k2-fsa, CC-BY-NC 4.0 Upstream code : OmniVoice by Xiaomi / k2-fsa, Apache 2.0 Audio codec : Higgs Audio v2 (bosonai/higgs-audio-v2-tokenizer), Apache 2.0 GGUF tooling : omnivoice.cpp, MIT

The upstream code is Apache 2.0 but the pre-trained weights are CC-BY-NC because of constraints from the training data. These GGUF files are conversions of those weights and carry the same non commercial terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · gguf

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
0170941

0 моделей