/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
1,8 ГБ
Лицензия
Apache 2.0
Архитектура
cosyvoice3 · dense
Базовая модель
Fun-CosyVoice3-0.5B-2512
Библиотека
mlx
Опубликована
26 мая 2026

CosyVoice3-0.5B-MLX-bf16

Синтез речиТекст → аудио3 профессии

Многоязычная модель CosyVoice 3 в формате MLX для синтеза речи и клонирования голоса по аудиообразцу на Apple Silicon.

428скачиваний за 30 дней0лайковвеса обновлены6 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

CosyVoice3-0.5B-MLX-bf16 — конвертированная в формат MLX версия модели синтеза речи CosyVoice 3 от FunAudioLLM, опубликованная aufklarer. Это плотная многоязычная модель размером около 0,5 млрд параметров с компонентами Qwen2.5-0.5B, DiT Flow Matching и вокодером HiFi-GAN. Веса LLM и DiT хранятся в bf16 без квантизации; комплект рассчитан на запуск на Apple Silicon через MLX.

Модель преобразует текст в речь на китайском, английском, японском, корейском, немецком, испанском, французском, итальянском и русском языках. Она поддерживает синтез с образцом голоса, включая zero-shot клонирование голоса по референсной аудиозаписи и её текстовой расшифровке. По сравнению с квантизированными вариантами bf16 сохраняет точность вычислений, но требует больше памяти и места на диске; заявленный размер комплекта — около 2,1 ГБ. Лицензия — Apache-2.0.

Сценарии применения

  • озвучивание текста на русском и других поддерживаемых языках
  • клонирование голоса по короткой референсной записи
  • синтез длинных речевых фрагментов с сохранением качества голоса
  • локальный синтез речи на устройствах Apple Silicon

Ограничения

Для запуска требуется среда MLX на Apple Silicon; комплект занимает около 2,1 ГБ и использует не квантизированные веса bf16. Для наилучшего zero-shot клонирования README рекомендует передавать вместе с аудиообразцом его текстовую расшифровку.

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

CosyVoice3-0.5B MLX bf16

CosyVoice 3 text-to-speech model converted to MLX safetensors format with unquantized bf16 weights for Apple Silicon inference. Includes the S3-Tokenizer-v3 reference-audio encoder needed for zero-shot voice cloning.

Converted from FunAudioLLM/Fun-CosyVoice3-0.5B-2512.

Swift inference: speech-swift

Variants

VariantLLMDiTTotalUse case
This bundle (bf16)bf16bf16~2.1 GBReference quality — no quantization noise anywhere
8-bit-fullint8 (group_size=64)int8 (group_size=64)~1.6 GBBest quality/size trade-off
8-bitint8 (group_size=64)int4~1.4 GBCleaner LLM logits, light DiT

All bundles include the speech tokenizer and support zero-shot voice cloning. Choose bf16 when LLM/DiT quantisation noise is a problem (long-form synthesis, low-resource languages, voice cloning fidelity) and disk/RAM are not a concern.

Model Details

ComponentArchitectureSize
LLMQwen2.5-0.5B (24L, 896d, 14Q/2KV heads)965 MB (bf16)
DiT Flow Matching22-layer DiT (1024d, 16 heads, 10 ODE steps)634 MB (bf16)
HiFi-GAN VocoderNSF + F0 predictor + ISTFT79 MB (fp32)
S3-Tokenizer-v312-layer Conformer + FSMN + FSQ (242M params)462 MB (bf16)
Total~2.1 GB

Pipeline

Text          ─┐
                ├─► LLM (Qwen2.5-0.5B bf16)  ─► Speech tokens (FSQ 6561)
Ref transcript ┘                                           │
                                                           ▼
                              ┌─► prompt_token ─┐
Reference WAV ─► S3-Tokenizer-v3                ├─► DiT Flow Matching ─► Mel
              ─► Matcha mel    ─► prompt_feat ─┘    (cond + spk_emb, bf16)    │
              ─► CAM++         ─► flow_embedding                              ▼
                                                                          HiFi-GAN
                                                                              │
                                                                              ▼
                                                                         Audio (24 kHz)

Languages

Chinese, English, Japanese, Korean, German, Spanish, French, Italian, Russian.

Files

  • llm.safetensors — LLM weights (bf16, unquantised)
  • flow.safetensors — DiT flow matching decoder (bf16, unquantised)
  • hifigan.safetensors — HiFi-GAN vocoder (fp32, weight-norm folded)
  • speech_tokenizer.safetensors — S3-Tokenizer-v3 reference encoder (bf16)
  • config.json — Model configuration (tokenizer + frame rates)
  • vocab.json / merges.txt / tokenizer_config.json — Qwen2.5 BPE tokenizer

Conversion Details

  • LLM: bf16 throughout (no group quantisation applied)
  • Flow / DiT: bf16 throughout (no group quantisation applied)
  • HiFi-GAN: fp32 with weight normalization folded (w = g * v / ||v||)
  • Speech tokenizer: bf16 (runs once per voice profile, accuracy outweighs disk size)
  • Conv1d weights transposed from PyTorch [out, in, kernel] to MLX [out, kernel, in]

Zero-Shot Voice Cloning

For best clone quality the LLM needs both the reference's acoustic prefix AND its text transcript. Upstream's inference_zero_shot feeds the LLM concat(prompt_text, content_text) plus the reference's FSQ codes as autoregressive prefix; this bundle ships everything you need for that path.

import CosyVoiceTTS

let model = try await CosyVoiceTTSModel.fromPretrained(
    modelId: "aufklarer/CosyVoice3-0.5B-MLX-bf16"
)

let result = try await model.synthesize(
    text: "你好,欢迎来到 CosyVoice 三。",
    referenceWAV: refURL,
    referenceTranscript: "床前明月光,疑是地上霜。",
)

Source

Upstream: FunAudioLLM/Fun-CosyVoice3-0.5B-2512 Paper: CosyVoice 3 (arXiv:2505.17589)

Links

License

Apache 2.0 (inherited from upstream).

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
9b210b2

0 моделей