/ 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-fp16

Синтез речиТекст → аудио

MLX-версия CSM-1B для локального синтеза английской речи с клонированием голоса по короткому аудиопримеру.

19скачиваний 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-fp16 — версия Conversational Speech Model (CSM-1B) от Sesame, подготовленная в формате MLX fp16 для локального синтеза речи на устройствах Apple Silicon. Модель относится к семейству Moshi и сочетает Llama-подобную основу на 1 млрд параметров с декодером на 100 млн параметров; общий размер указан как класс 1,5 млрд параметров. Репозиторий содержит веса safetensors и кодек Mimi.

Модель преобразует текст в речь и может учитывать короткий аудиофрагмент с его текстовой расшифровкой, чтобы клонировать голос при синтезе. Она предназначена для локальной генерации речи и создания голосовых вариантов на устройствах Apple Silicon. Карточка указывает лицензию Apache-2.0.

Модель ориентирована прежде всего на английский язык и слабо работает с другими языками. При генерации иногда обрезается последнее слово; клонирование голоса может передавать тембр, но упрощать просодию по сравнению с целевым голосом.

Сценарии применения

  • локальный синтез речи из английского текста на Apple Silicon
  • клонирование голоса по короткому аудиофрагменту
  • создание озвучки с заданным голосовым образцом

Ограничения

Модель ориентирована на английский и слаба в других языках. Иногда обрезает последнее слово, а клонирование голоса может упрощать просодию.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CSM-1B-MLX-fp16

Sesame CSM-1B (Conversational Speech Model) converted to MLX (fp16) 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)
Quantizationfp16
Size~3.3 GB
CodecMimi, 32 codebooks @ 12.5 Hz, 24 kHz
LanguagesEnglish

Files

FileDescription
model.safetensorsbackbone + decoder + heads + embeddings (fp16)
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
a99f2a9

0 моделей