Характеристики

Размер весов: 396 МБ
Лицензия: OpenRAIL
Архитектура: supertonic_3 · dense
Базовая модель: supertonic-3
Библиотека: coreml
Опубликована: 21 июн 2026

Ссылки

Supertonic-3-CoreML

Синтез речиТекст → аудио3 профессии

SupertonicTTS-3 CoreML — это экспорт модели синтеза речи Supertone-3 в формате Core ML, подготовленный aufklarer на основе весов Supertone Inc.

4 578скачиваний за 30 дней0лайковвеса обновлены24 июн 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 локального синтеза речи из текста на устройствах Apple, включая iOS, с использованием Apple Neural Engine. Она может применяться в мобильных приложениях, офлайн-ассистентах и других сценариях on-device text-to-speech, где важны автономность и отсутствие передачи текста на сервер.

Модель состоит из четырёх неавторегрессионных графов flow matching: предиктора длительности, текстового энкодера, оценщика векторов, выполняющего роль ODE-денойзера, и вокодера. Экспорт выполнен через PyTorch и coremltools в формате mlprogram с вычислениями FP32 и поддержкой iOS 18+. Для текстового энкодера и предиктора длительности используется фиксированная длина T=128, а для вокодера и оценщика векторов поддерживается динамическая длина латентного представления. Текст обрабатывается без G2P с помощью таблиц токенизации. README не указывает размер модели, перечень поддерживаемых языков и точные параметры качества.

Сильными сторонами являются неавторегрессионная архитектура, локальное выполнение и высокая близость результатов к ONNX Runtime по приведённым метрикам. Для работы требуется хост-логика, выполняющая цикл ODE flow matching; сами Core ML-графы не содержат управляющей логики. FP32-вариант служит эталоном точности, тогда как для эффективного размещения вычислений на Apple Neural Engine рекомендуется смешанный FP16-вариант. Распространение регулируется лицензией OpenRAIL-M; действуют ограничения, включая запрет на несогласованную имитацию голоса и создание дипфейков.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SupertonicTTS-3 — CoreML (.mlpackage, iOS)

First-party CoreML export of Supertonic-3's four non-autoregressive flow-matching graphs, for on-device iOS / Apple Neural Engine. Built by our own pipeline (speech-models/stmodels): weights lifted from the Supertone/supertonic-3 ONNX initializers → PyTorch nn.Module → coremltools (mlprogram, FP32, iOS18+).

Graphs & parity (FP32, vs ONNX Runtime)

Module	mlpackage	parity max\|Δ\|
Duration predictor	`DurationPredictor.mlpackage`	7.2e-06 ✓
Vector estimator (ODE denoiser)	`VectorEstimator.mlpackage`	2.5e-03 ✓
Vocoder	`Vocoder.mlpackage`	3.0e-04 ✓
Text encoder	`TextEncoder.mlpackage`	mean 2.5e-04 (max 2.5e-2 at isolated positions)

Text/duration use fixed T=128 (relpos attention has T-dependent pad widths — pad/segment text to 128); vocoder + vector-estimator use a dynamic latent-length RangeDim. The host runs the flow-matching ODE loop (vector_estimator ×total_steps) — the graphs contain no control flow. Assets to drive them: tts.json, unicode_indexer.json (G2P-free tokenizer table), voice_styles/*.json.

FP32 = parity reference. For ANE residency, use the mixed-precision Supertonic-3-CoreML-FP16 — vocoder + duration FP16, text-encoder + vector-estimator FP32; measured transparent at 47–51 dB mag-STFT SNR.

Attribution & license

Weights: derivative of Supertone/supertonic-3 (commit 3cadd1ee6394adea1bd021217a0e650ede09a323), Supertone Inc., arXiv:2503.23108 — OpenRAIL-M (use-based restrictions carry over: no non-consensual impersonation/deepfakes, etc.).

Other Supertonic-3 formats

Supertonic-3 — CoreML (FP16) — mixed-precision ANE variant (47–51 dB).
Supertonic-3 — ONNX (INT8) — server / desktop (ONNX Runtime).
Supertonic-3 — LiteRT — Android / Qualcomm NPU (.tflite).

Ecosystem

soniqo.audio — website / use-case explorer (transcription, voice cloning, live ASR, voice agents).
speech-core — C++ orchestration library; Supertonic plugs in as a TTSInterface CoreML model.
speech-swift — Apple Silicon MLX + CoreML runtime.
speech-android — Android SDK consuming on-device LiteRT bundles.

Other CoreML models

Kokoro-82M — CoreML · VoxCPM2 — MLX · full CoreML Speech Models collection.

Как запустить

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

GPU в ailist

Универсальный рантайм · coreml

Нельзя запустить

CoreML-модели работают только на устройствах Apple.

Ревизия весов: d159f98