/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Базовая модель
OuteTTS-0.3-1B
Опубликована
30 мая 2026

outetts-0.3-1b-GGUF

Синтез речиТекст → аудио3 профессии

OuteTTS-0.3-1B GGUF — это квантованные версии модели синтеза речи OuteAI/OuteTTS-0.3-1B, подготовленные для использования с CrispASR.

1 402скачиваний за 30 дней0лайковвеса 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

Модель предназначена для преобразования текста в речь и клонирования голоса по эталонной аудиозаписи с транскрипцией. Для работы требуется сопутствующий декодер WavTokenizer в формате GGUF.

В основе разговорной модели используется OLMo-1B: 16 слоёв, скрытое представление размером 2048, 16 MHA-голов, архитектура SwiGLU, RoPE и parameter-free LayerNorm. Аудиокодек использует WavTokenizer с одним кодбуком VQ-GAN на 4096 элементов, размерностью 512 и частотой 75 токенов в секунду; декодирование выполняется на базе Vocos. На выходе формируется монофонический PCM-аудиосигнал с частотой 24 кГц. Доступны варианты F16, Q8_0, Q5_K и Q4_K; Q8_0 рекомендуется как оптимальный баланс качества и размера, а Q4_K может иногда смещать границы слов в коротких фразах и требует актуальной версии CrispASR.

Модель удобна для локального запуска и голосового клонирования, однако README не указывает поддерживаемые языки и другие количественные показатели качества. Весы распространяются по лицензии CC-BY-NC-SA-4.0: требуется указание авторства OuteAI, коммерческое использование запрещено, а производные распространяемые материалы должны сохранять те же условия лицензии.

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

OuteTTS-0.3-1B GGUF

GGUF quantizations of OuteAI/OuteTTS-0.3-1B for use with CrispASR.

Files

FileSizeQuantNotes
outetts-0.3-1b-f16.gguf2.4 GBF16Full precision (reference quality)
outetts-0.3-1b-q8_0.gguf1.2 GBQ8_0Recommended — near-lossless quality
outetts-0.3-1b-q5_k.gguf783 MBQ5_KGood quality, balanced size
outetts-0.3-1b-q4_k.gguf802 MBQ4_KSmallest — verified intelligible (requires CrispASR >= cbe208fa)
wavtokenizer-decoder-f16.gguf130 MBF16WavTokenizer decoder (required companion)

The talker GGUF contains the OLMo-1B LLM. The WavTokenizer decoder GGUF is always needed as a companion file. Q8_0 is recommended for best quality/size balance. Q4_K works but may occasionally shift word boundaries on short utterances.

Note: Q4_K requires CrispASR commit cbe208fa or later, which fixed a WavTokenizer activation bug (SiLU -> GELU in ResNet blocks) that previously degraded quantized output.

Usage with CrispASR

# Build CrispASR
cmake -S . -B build -DCMAKE_BUILD_TYPE=Release
cmake --build build -j$(nproc) --target crispasr-cli

# Create a speaker profile from reference audio
python tools/reference_backends/outetts_create_speaker.py \
    --audio ref.wav --text "transcript of the reference audio" \
    --out speaker.json

# Synthesize with voice cloning
./build/bin/crispasr --backend outetts \
    -m outetts-0.3-1b-q8_0.gguf \
    --codec-model wavtokenizer-decoder-f16.gguf \
    --voice speaker.json \
    --tts "Hello, how are you today?" \
    --tts-output hello.wav --seed 42

Architecture

  • LLM: OLMo-1B (16 layers, 2048 hidden, 16 MHA heads, SwiGLU FFN, parameter-free LayerNorm, RoPE)
  • Codec: WavTokenizer single-codebook VQ-GAN (4096 entries, 512-d, 75 tokens/sec)
  • Decoder: Vocos backbone (ConvNeXt + pos_net with GroupNorm/GELU ResBlocks) + ISTFTHead
  • Output: 24 kHz mono PCM
  • License: CC BY 4.0

Conversion

# From HuggingFace model
python models/convert-outetts-to-gguf.py \
    --input OuteAI/OuteTTS-0.3-1B \
    --output outetts-0.3-1b-f16.gguf

python models/convert-wavtokenizer-to-gguf.py \
    --input OuteAI/wavtokenizer-large-75token-interface \
    --output wavtokenizer-decoder-f16.gguf

# Quantize
crispasr-quantize outetts-0.3-1b-f16.gguf outetts-0.3-1b-q8_0.gguf q8_0

Licence — CC-BY-NC-SA-4.0 (corrected 2026-08-02)

This repository previously declared license: cc-by-4.0, dropping the NC and SA terms. The upstream checkpoint OuteAI/OuteTTS-0.3-1B is CC-BY-NC-SA-4.0, and format conversion does not relax it.

What that means here:

  • NonCommercial — no commercial use of these weights.
  • ShareAlike — anything you distribute that contains these weights must carry CC-BY-NC-SA-4.0 too. The term is viral.
  • Attribution — credit OuteAI.

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
15c95c8

0 моделей