/ Модель

Характеристики

Лицензия
MIT
Базовая модель
kugelaudio-0-open
Опубликована
4 июн 2026

kugelaudio-0-open-GGUF

Синтез речиТекст → аудио3 профессии

KugelAudio-0-Open GGUF — набор GGUF-конверсий модели KugelAudio-0-Open для синтеза речи, предназначенный для использования с CrispASR.

1 388скачиваний за 30 дней2лайкавеса обновлены1 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

Исходная модель основана на архитектуре Microsoft VibeVoice и сочетает авторегрессионную генерацию с диффузионной обработкой. README не указывает конкретную организацию или команду разработчиков исходной модели; указано лишь, что конверсии выполнены для проекта CrispASR.

Модель предназначена для преобразования текста в речь на 23 языках, включая английский, немецкий, французский, испанский, итальянский, русский, украинский, польский, греческий, турецкий и другие. Архитектура включает языковую модель Qwen2.5-7B примерно на 7 млрд параметров, четырёхслойную DiT diffusion head, acoustic connector и acoustic VAE decoder. Генерация выполняется с использованием 20 шагов SDE-DPMSolver++, а результатом является монофонический PCM-аудиосигнал с частотой дискретизации 24 кГц.

Доступны вариант F16 размером 16,1 ГБ и 4-битный вариант Q4_K размером 5,3 ГБ, что позволяет выбирать между максимальной точностью и меньшими требованиями к памяти. Обе версии предназначены только для инференса и не содержат энкодеров, поэтому поддержка клонирования голоса из необработанного аудио отсутствует; открытый релиз поддерживает только предварительно закодированные голоса. Обучающие данные не раскрыты. Модель распространяется по лицензии MIT.

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

KugelAudio-0-Open GGUF

GGUF conversions of kugelaudio/kugelaudio-0-open for use with CrispASR.

Files

FileQuantSizeNotes
kugelaudio-0-open-f16.ggufF1616.1 GBFull precision, inference-only (no encoders)
kugelaudio-0-open-q4_k.ggufQ4_K5.3 GB4-bit quantized, inference-only (no encoders)

Both files contain the inference-only components (--no-encoders): Qwen2.5-7B language model, 4-layer DiT diffusion head, acoustic connector, and acoustic VAE decoder. Encoder weights (for voice cloning from raw audio) are omitted since the open-source release only supports pre-encoded voices.

Architecture

Text → Qwen2.5-7B (28L, 3584d, GQA 28/4)
  → AR decode with constrained token set
  → 4-layer DiT diffusion head (AdaLN, SwiGLU, v-prediction)
  → 20-step SDE-DPMSolver++ (cosine beta schedule)
  → Acoustic VAE decoder (6-stage ConvNeXt, 3200x upsample)
  → 24 kHz mono PCM
  • 23 languages: en, de, fr, es, it, pt, nl, pl, ru, uk, cs, ro, hu, sv, da, fi, no, el, bg, sk, hr, sr, tr
  • License: MIT
  • Output: 24 kHz mono PCM
  • Classifier-free guidance: cfg_scale=3.0 (default)

Usage with CrispASR

# Synthesize speech
crispasr --backend kugelaudio \
  -m kugelaudio-0-open-q4_k.gguf \
  --tts "Hello, this is a test of the speech synthesis system." \
  --tts-output output.wav

# With auto-download
crispasr --backend kugelaudio -m auto \
  --tts "Hallo, dies ist ein Test." -l de

Conversion

Converted with:

python models/convert-kugelaudio-to-gguf.py \
  --input kugelaudio/kugelaudio-0-open \
  --output kugelaudio-0-open-f16.gguf \
  --no-encoders --type f16

crispasr-quantize kugelaudio-0-open-f16.gguf kugelaudio-0-open-q4_k.gguf q4_k

Original Model

  • Paper/repo: kugelaudio/kugelaudio-0-open
  • Architecture: Based on Microsoft VibeVoice — hybrid AR + diffusion TTS
  • Parameters: ~7B (Qwen2.5-7B backbone)
  • Training data: Undisclosed
  • License: MIT

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
0ebed1e

0 моделей