/ Модель
Каталог

Характеристики

Лицензия
MIT
Базовая модель
Irodori-TTS-500M-v3
Библиотека
ggml
Опубликована
4 июл 2026

Ссылки

Hugging Face

irodori-tts-GGUF

cstr
Синтез речиТекст → аудио3 профессии

Irodori-TTS-500M-v3 GGUF — это GGUF/GGML-квантизированная версия модели синтеза речи Aratako/Irodori-TTS-500M-v3, разработанной Aratako.

1 117скачиваний 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 cstr/irodori-tts-GGUF содержит только преобразование формата и варианты квантизации исходных весов, без дообучения, объединения или изменения архитектуры и возможностей. Модель предназначена для использования с CrispStrobe/CrispASR.

Модель ориентирована прежде всего на синтез японской речи, включая смешанный текст, и поддерживает zero-shot клонирование голоса по образцу аудио через латентное кондиционирование DAC-VAE. Это 500-миллионная Rectified Flow Diffusion Transformer (RF-DiT) с 102-тысячным BPE-словарём токенизатора sarashina2.2. Архитектура включает текстовый энкодер и DiT-блок на 24 слоя с размерностью 2048, а генерация выполняется решателем Euler RF ODE за 40 шагов с classifier-free guidance. Выход — монофонический звук 48 кГц.

Доступны варианты F16, Q4_K и Q8_0; Q4_K указан как рекомендуемый и занимает около 852 МБ, что позволяет разместить модель в 8 ГБ RAM, а Q8_0 обеспечивает качество, близкое к исходному. Качество и требования к ресурсам зависят от выбранной квантизации. Модель ориентирована на японский язык, поэтому пригодность для других языков README не подтверждает. Для клонирования голоса требуется эталонная аудиозапись, а лицензия MIT распространяется с учётом условий лицензии исходной модели.

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 835моделейI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953моделиII.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

Irodori-TTS-500M-v3 — GGUF (ggml-quantised)

GGUF / ggml conversion of Aratako/Irodori-TTS-500M-v3 for use with CrispStrobe/CrispASR.

Irodori-TTS is a 500M-param Rectified Flow Diffusion Transformer (RF-DiT) text-to-speech model with zero-shot voice cloning via DAC-VAE latent conditioning. Japanese-focused with a 102K-vocab sarashina2.2 tokenizer. 48 kHz mono output.

License: MIT (follows upstream Irodori-TTS license).

Files

FileQuantSizeNotes
irodori-tts-500m-v3-f16.ggufF16~1.9 GBReference quality
irodori-tts-500m-v3-q4_k.ggufQ4_K~852 MBRecommended — fits 8 GB RAM
irodori-tts-500m-v3-q8_0.ggufQ8_0~896 MBNear-lossless
irodori-tts-ref.ggufF32~4 KBReference activations for diff harness

Architecture

Text Input (Japanese / mixed)
  │
sarashina2.2 Tokenize (102K vocab, BPE)
  │
TextEncoder (14L, 1280d, 10 heads, RoPE + SwiGLU)
  │── Each position: self-attention + gated residual + SwiGLU FFN
  │
  ├── [Optional] ReferenceLatentEncoder (14L, 1280d)
  │    └── DAC-VAE latent from reference audio → speaker conditioning
  │
DiT Backbone (24L, 2048d, 16 heads)
  │── LowRankAdaLN (rank=256) timestep conditioning
  │── JointAttention: self-KV + text-context-KV + speaker-context-KV
  │── Half-RoPE (first half of head_dim rotated, rest passthrough)
  │── SwiGLU MLP (ratio 2.875)
  │
Euler RF ODE Solver (40 steps, CFG)
  │── noise → DAC-VAE latent sequence (32-dim continuous)
  │
Semantic-DACVAE Decoder (48 kHz reconstruction)
  │── 32-dim latent → Snake1d + ConvTranspose1d upsampling → PCM
  │
Output: float32 mono @ 48 kHz

Source model

Provenance and EU AI Act Art. 53 note

  • Upstream model: Aratako/Irodori-TTS-500M-v3 — published by Aratako.
  • Upstream licence: mit. 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
0c961a4

0 моделей

    Создать бенчмарк