/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
csm-1b
Библиотека
ggml
Опубликована
31 мая 2026

csm-1b-GGUF

Синтез речиТекст → аудио3 профессии

cstr/csm-1b-GGUF — это GGUF/GGML-конверсия и вариант с квантованием модели CSM-1B, разработанной Sesame.

1 181скачиваний за 30 дней1лайквеса обновлены2 авг 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

Репозиторий предназначен для запуска модели через CrispASR и не содержит нового обучения, дообучения или изменения архитектуры. Модель относится к системам синтеза речи по тексту (TTS) и ориентирована на создание разговорной речи из текстовых запросов.

Архитектура двухэтапная: 16-слойная backbone-модель на базе Llama-3.2 1B авторегрессионно генерирует первые токены аудиокодека Mimi, а 4-слойный depth decoder на базе Llama-3.2 100M заполняет остальные 31 кодек на каждый кадр. Кодек Mimi преобразует 32-кодовые RVQ-токены в монофонический PCM-аудиосигнал с частотой 24 кГц. Используются BPE-токенизатор Llama-3.2 с размером словаря 128 256 токенов, GQA, SwiGLU, RMSNorm и RoPE; заявленный язык — английский. Контекст модели в README не указан.

Доступны варианты F16 размером 3,4 ГБ, Q8_0 размером 1,9 ГБ и Q4_K размером 1,1 ГБ. Q8_0 рекомендуется как вариант с качеством, эквивалентным по указанному ASR roundtrip, тогда как Q4_K занимает меньше места, но может немного снижать качество; F16 обеспечивает эталонное качество. Ограничения включают поддержку только английского языка согласно карточке и зависимость от CrispASR для описанного сценария запуска. Модель распространяется по лицензии Apache 2.0, при этом права и условия исходной модели Sesame сохраняются.

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 — GGUF (ggml-quantised)

GGUF / ggml conversion of sesame/csm-1b (Conversational Speech Model) for use with CrispStrobe/CrispASR.

CSM-1B is a TTS model that generates speech from text using a two-stage transformer architecture:

  • Backbone (Llama-3.2 1B, 16 layers): generates first-codebook Mimi tokens autoregressively
  • Depth decoder (Llama-3.2 100M, 4 layers): fills remaining 31 codebooks per frame
  • Mimi codec (Kyutai, 8-layer transformer + SEANet): converts 32-codebook RVQ tokens to 24 kHz PCM

Released under Apache 2.0 license.

Files

FileQuantSizeNotes
csm-1b-f16.ggufF163.4 GBFull precision — reference quality
csm-1b-q8_0.ggufQ8_01.9 GBRecommended — identical ASR roundtrip
csm-1b-q4_k.ggufQ4_K1.1 GBSmallest — minor quality loss

Quick start

# 1. Build CrispASR
git clone https://github.com/CrispStrobe/CrispASR
cd CrispASR
cmake -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build -j --target crispasr-cli

# 2. Download model
huggingface-cli download cstr/csm-1b-GGUF csm-1b-q8_0.gguf --local-dir .

# 3. Synthesize
./build/bin/crispasr --backend csm -m csm-1b-q8_0.gguf \
    --tts "Hello, how are you today?" \
    --tts-output hello.wav --seed 42

Or with auto-download:

./build/bin/crispasr -m csm --auto-download \
    --tts "The quick brown fox jumps over the lazy dog." \
    --tts-output fox.wav

Parameters

ParameterDefaultDescription
--seed N0RNG seed (0 = non-deterministic)
-tp N0.9Sampling temperature
--tts-output PATH—Output WAV path (24 kHz mono)

Architecture details

  • Text tokenizer: Llama-3.2 BPE (128,256 tokens)
  • Audio codec: Mimi (32 codebooks, 2048 entries each, 12.5 Hz frame rate)
  • Backbone: 16-layer Llama with GQA (32 heads, 8 KV heads), SwiGLU, RMSNorm, RoPE theta=500,000
  • Depth decoder: 4-layer Llama (8 heads, 2 KV heads), position-specific codebook heads
  • Sample rate: 24,000 Hz

Conversion

python models/convert-csm-to-gguf.py \
    --input sesame/csm-1b \
    --output csm-1b-f16.gguf

# Quantize
./build/bin/crispasr-quantize csm-1b-f16.gguf csm-1b-q8_0.gguf q8_0
./build/bin/crispasr-quantize csm-1b-f16.gguf csm-1b-q4_k.gguf q4_k

Acknowledgements

Provenance and EU AI Act Art. 53 note

  • Upstream model: sesame/csm-1b — published by sesame.
  • Upstream licence: apache-2.0. This repository redistributes under the same terms; it grants no rights the upstream licence does not.
  • What was done here: format conversion and/or quantisation only (GGUF/GGML). No training, no fine-tuning, no merging, no distillation, no change to architecture, vocabulary or capability. Only the numeric representation of the upstream weights differs.
  • Training data: documented — where it is documented at all — by the upstream provider; see the upstream model card. No training data was used, added or selected by this repository.
  • Provider status: under Regulation (EU) 2024/1689 the upstream authors remain the provider of this model. Converting the serialisation format does not make this repository the provider of a new general-purpose AI model, and no such claim is made. Questions about training content, copyright policy or model capability belong upstream.

Как запустить

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

GPU в ailist

Универсальный рантайм · ggml

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
acf7207

0 моделей