/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
sesame · dense
Базовая модель
csm-1b
Библиотека
mlx
Опубликована
23 июл 2026

CSM-1B-MLX-8bit

Синтез речиТекст → аудио3 профессии

Квантизированная 8-битная MLX-версия Sesame CSM-1B для синтеза английской речи с переносом голоса по короткому аудиопримеру на Apple Silicon.

32скачиваний за 30 дней0лайковвеса обновлены23 июл 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

aufklarer/CSM-1B-MLX-8bit — конверсия модели Sesame CSM-1B в формат MLX с 8-битной квантизацией для генерации речи непосредственно на устройствах Apple Silicon. Архитектура семейства Moshi сочетает основную Llama-модель класса 1B, предсказывающую первый кодековый код Mimi, и декодер Llama-100M для остальных кодовых книг; заявленный общий размер — класс 1,5 млрд параметров, файлы модели занимают около 1,7 ГБ.

Модель преобразует текст в речь и может переносить голос из короткого аудиопримера, используя его аудиозапись и транскрипт. README приводит время генерации быстрее реального времени на системах Apple с чипами серии M и задержку первого аудио около 120 мс в потоковом режиме. Модель ориентирована на английский язык; для синтеза нужны текст и референсное аудио с транскриптом.

Известные ограничения: качество слабее для других языков, конец аудио иногда обрезает последнее слово, а клонирование голоса может сглаживать просодию относительно специально подготовленного референса. Указанная лицензия — Apache-2.0.

Сценарии применения

  • синтез английской речи из текста на Mac с Apple Silicon
  • генерация речи голосом из короткого аудиопримера
  • локальная потоковая озвучка текста
  • создание речевого аудио с заданным аудиоконтекстом

Ограничения

Модель ориентирована на английский и слабо работает с другими языками; иногда обрезает последнее слово в конце аудио. Клонирование голоса может сглаживать просодию относительно специально подготовленного референса.

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

CSM-1B-MLX-8bit

Sesame CSM-1B (Conversational Speech Model) converted to MLX (int8) for on-device speech generation on Apple Silicon. CSM is a Moshi-family codec model: a Llama-1B backbone predicts the zeroth Mimi codebook, a Llama-100M decoder predicts the rest. It clones a voice from a short reference clip.

PropertyValue
Parameters1.5B class (backbone 1B + decoder + heads)
Quantizationint8
Size~1.7 GB
CodecMimi, 32 codebooks @ 12.5 Hz, 24 kHz
LanguagesEnglish

Files

FileDescription
model.safetensorsbackbone + decoder + heads + embeddings (int8)
config.jsonarchitecture + per-module quantization map
mimi.safetensorsKyutai Mimi codec (32 codebooks)
tokenizer.jsonLlama BPE tokenizer

Performance (M-series, mlx-swift)

MetricValue
RTF (int8)~0.5–0.9 (faster than real time)
First-audio latency (streaming)~120 ms

Quantization lowers memory bandwidth, so int8/int5 are both smaller and faster than fp16 on Apple GPUs.

Usage (Swift)

import CSM

let pipeline = try await CSMPipeline(directory: modelDir)
let audio = pipeline.synthesize(
    text: "Hello from on-device speech.",
    refAudio: referenceSamples,           // 24 kHz mono
    refText: "transcript of the reference",
    temperature: 0.9, topK: 50)

Known limitations

  • English-focused; weak on other languages.
  • End-of-audio occasionally clips the final word — pad the text with a short trailing phrase, or trim to the last voiced frame.
  • Zero-shot cloning transfers voice identity but flattens prosody vs. a purpose-tuned reference.

Source

Converted from sesame/csm-1b (Apache-2.0).

Links

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
a184a66

0 моделей