/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
magpie_tts · dense
Базовая модель
magpie_tts_multilingual_357m
Библиотека
mlx
Опубликована
22 мая 2026

Magpie-TTS-Multilingual-357M-MLX-8bit

Синтез речиТекст → аудио3 профессии

Квантованный до INT8 порт NVIDIA Magpie-TTS Multilingual для синтеза речи на девяти языках на устройствах Apple Silicon.

263скачиваний за 30 дней0лайковвеса обновлены28 мая 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

Magpie-TTS-Multilingual-357M-MLX-8bit — порт модели преобразования текста в речь NVIDIA Magpie-TTS Multilingual 357M для библиотеки MLX и Apple Silicon. Это авторегрессионная модель с несколькими кодовыми книгами аудио, которая генерирует речь через Nano-Codec с последующим декодированием в монофонический звук с частотой 22,05 кГц. Модель содержит 357 млн параметров; веса основных компонентов квантованы до INT8, а декодер кодека работает в FP16.

Модель предназначена для синтеза речи на английском, испанском, немецком, французском, итальянском, вьетнамском, китайском, хинди и японском языках. Её можно применять для озвучивания текста в приложениях и локальных сценариях на Apple Silicon. Карточка описывает проверку синтеза на отдельных тестовых фразах, но она не доказывает качество на произвольных текстах. Для работы с японским текстом README отдельно указывает на предварительную токенизацию и преобразование в фонетическую форму. Лицензия указана как other; исходные веса NVIDIA распространяются по NVIDIA Open Model License.

Сценарии применения

  • озвучивание английского текста в приложении
  • синтез речи на европейских языках
  • локальная генерация речи на Apple Silicon
  • озвучивание текста на китайском и японском языках

Ограничения

Модель требует предварительной токенизации текста; для японского README описывает отдельный этап преобразования в фонетическую форму. Проверка качества в карточке охватывает отдельные тестовые фразы, поэтому её результаты не гарантируют качество на любых текстах.

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

Magpie-TTS-Multilingual-357M-MLX-8bit

MLX port of NVIDIA Magpie-TTS Multilingual 357M, an autoregressive multi-codebook TTS model over the Nano-Codec 22 kHz / 1.89 kbps / 21.5 fps vocoder, quantized to INT8 weight-only for Apple Silicon.

Transparent-quality. ~57% the size of FP16. Use for fidelity-sensitive deployments.

Model

Total parameters357 M (text encoder 99 M + decoder 90 M + LocalTransformer 1 M + NanoCodec 62 M + audio embeddings)
ArchitectureCausal Transformer encoder (6L, d=768) + Causal Transformer decoder (12L, d=768) + LocalTransformer codebook AR (1L, d=256) + Causal HiFi-GAN decoder
Audio8 codebooks × 2024 codes, 22.05 kHz mono, 21.5 fps
LanguagesEN, ES, DE, FR, IT, VI, ZH, HI, JA
Speakers5 baked (John, Sofia, Aria, Jason, Leo)
Bundle size410 MB on disk
Layout4-bundle MLX (text_encoder / decoder_prefill / decoder_step / nanocodec_decoder)

Files

FileSizeDescription
text_encoder/model.safetensors108.9 MBtext encoder weights (INT8)
decoder_prefill/model.safetensors129.4 MBdecoder prefill weights (INT8)
decoder_step/model.safetensors129.4 MBdecoder step weights (INT8)
nanocodec_decoder/model.safetensors63.2 MBnanocodec decoder weights (INT8)
tokenizer/*.json~30 KB eachper-language tokenizer config (8 langs + manifest)
manifest.json<1 KBSHA256 + sizes manifest

The 4-bundle layout splits the model into:

  • text_encoder — runs once per utterance over the phoneme sequence
  • decoder_prefill — batch-prefills the 110-step baked speaker context into the KV cache (~10× faster than a sequential cold start)
  • decoder_step — single AR step over the next audio frame; shares weights with decoder_prefill
  • nanocodec_decoder — codes → 22.05 kHz waveform (always FP16; per FluidInference's data, quantizing the codec yields no runtime savings)

Round-trip validation

End-to-end TTS → faster-whisper large-v3 ASR on a held-out sentence per language (Character Error Rate):

Languageenesdefritvizhhi
CER0.00%0.00%0.00%0.00%0.00%<8% (tone)<2% (1 added interjection)mixed-script Whisper artifact

Usage

import json
from pathlib import Path
import mlx.core as mx

# 1. Tokenize text in your app (Swift) — see speech-swift's KokoroTTS
#    pattern. For Japanese, use Apple's CFStringTokenizer + katakana → IPA.
# 2. Load the 3 sub-models and run the AR loop.
from huggingface_hub import snapshot_download
bundle = Path(snapshot_download("aufklarer/Magpie-TTS-Multilingual-357M-MLX-8bit"))

# Production usage: see https://github.com/soniqo/speech-swift.

The production Swift integration handles tokenization, the AR loop, KV-cache management, and audio rendering. This HuggingFace bundle exists for researchers and SDK developers building atop the MLX weights directly.

Source

License

NVIDIA Open Model License — inherited from upstream Magpie-TTS Multilingual. Suitable for commercial use; please review the license text linked above.

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
260839c

0 моделей