/ Модель

Характеристики

Лицензия
CC BY 4.0
Базовая модель
pocket-tts
Библиотека
ggml
Опубликована
3 июн 2026

pocket-tts-GGUF

Синтез речиТекст → аудио3 профессии

cstr/pocket-tts-GGUF — это GGUF-квантизированная версия лёгкой модели синтеза речи Pocket TTS, разработанной Kyutai и преобразованной для использования с CrispASR.

4 541скачиваний за 30 дней7лайковвеса обновлены31 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 поддерживает zero-shot клонирование тембра по короткой аудиозаписи голоса. Доступны варианты для английского, немецкого, испанского, итальянского, португальского и французского языков.

Модель содержит около 100 млн параметров и использует авторегрессионную архитектуру с непрерывными латентными векторами. Основу составляет FlowLM — каузальный Transformer с размерностью 1024, 16 головами внимания и 6 слоями, работающий на частоте 12,5 Гц; французская версия использует 24 слоя. Для декодирования применяются consistency head и Mimi VAE, формирующий PCM-аудио с частотой 24 кГц. Токенизатор SentencePiece BPE с размером словаря 4000, веса Mimi и необходимые компоненты включены в единый GGUF-файл.

Сильными сторонами модели являются небольшой размер, наличие голосового клонирования, мультиязычность и возможность работы в формате GGUF через CrispASR. Английские варианты без voice-cloning-компонентов не поддерживают клонирование и используют только декодер; без голосовой кондиционирующей записи модель обычно генерирует почти тишину, хотя может автоматически применять встроенный эталонный голос. Для наилучшего результата рекомендуется чистая монофоническая запись одного диктора продолжительностью несколько секунд. Модель распространяется по лицензии CC-BY-4.0.

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

Pocket TTS — GGUF (ggml-quantised)

GGUF / ggml conversion of kyutai/pocket-tts for use with CrispStrobe/CrispASR.

Pocket TTS is a lightweight (~100M param) continuous-latent autoregressive TTS model from Kyutai, based on the CALM paper (arXiv:2509.06926). Unlike codebook-based TTS models, Pocket TTS emits continuous float vectors — no discrete tokens, no softmax sampling:

  • FlowLM backbone — causal transformer (1024D, 16 heads, 6 layers; 24 layers for the French preview, RoPE, GELU) operating at 12.5 Hz
  • Consistency head — SimpleMLPAdaLN (512D, 6 ResBlocks) with timestep embedding → one-step LSD decode → 32-dim continuous latent vectors
  • Mimi VAE decoder — SEANet upsample convolutions + 2-layer transformer → 24 kHz PCM
  • Mimi VAE encoder (voice-cloning builds only) — SEANet downsample + 2-layer transformer + speaker projection → reference conditioning
  • Text tokenizer — SentencePiece BPE (4000 vocab, embedded in GGUF)

Single GGUF file — no separate codec companion needed (Mimi weights and the tokenizer are embedded).

Released under CC-BY-4.0 license.

Voice cloning

Pocket TTS is zero-shot: it clones the timbre of a short reference clip. The voice-cloning builds (the files without novc in the name) embed the Mimi VAE encoder and speaker projection needed to condition on a reference; the English-only novc builds omit that encoder and are ~20 MB smaller.

# clone the timbre of ref.wav (any sample rate; mono is used)
./build/bin/crispasr --backend pocket-tts -m pocket-tts-english-f16.gguf \
    --voice ref.wav \
    --tts "The quick brown fox jumps over the lazy dog." \
    --tts-output fox.wav --seed 42

Pocket TTS produces near-silence without voice conditioning, so if you omit --voice a built-in default reference is used automatically. Use a clean, single-speaker reference of a few seconds for best results.

Files

The multilingual Q8_0/F16 files are full voice-cloning models. German, Spanish, Italian, and Portuguese are Kyutai's distilled 6-layer releases; French is the larger, undistilled 24-layer preview. The decoder-only novc alternatives are currently English-only.

FileVoice cloneQuantSizeNotes
pocket-tts-english-f16.gguf✅F16219 MBReference quality, cloning
pocket-tts-english-q8_0.gguf✅Q8_0124 MBNear-F16, cloning
pocket-tts-english-q4_k.gguf✅Q4_K73 MBSmallest with cloning
pocket-tts-english-novc-f16.gguf—F16200 MBDecoder only
pocket-tts-english-novc-q8_0.gguf—Q8_0110 MBDecoder only
pocket-tts-english-novc-q4_k.gguf—Q4_K62 MBDecoder only, smallest
pocket-tts-german-q8_0.gguf✅Q8_0124 MBGerman, distilled 6L
pocket-tts-spanish-q8_0.gguf✅Q8_0124 MBSpanish, distilled 6L
pocket-tts-italian-q8_0.gguf✅Q8_0124 MBItalian, distilled 6L
pocket-tts-portuguese-q8_0.gguf✅Q8_0124 MBPortuguese, distilled 6L
pocket-tts-french_24l-q8_0.gguf✅Q8_0365 MBFrench, undistilled 24L preview

F16 equivalents of every multilingual Q8_0 file are also available (about 219 MB for each 6-layer model and 673 MB for French).

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 a model (voice-cloning F16 shown)
huggingface-cli download cstr/pocket-tts-GGUF pocket-tts-english-f16.gguf --local-dir .

# 3. Synthesize
./build/bin/crispasr --backend pocket-tts -m pocket-tts-english-f16.gguf \
    --tts "Hello, how are you today?" \
    --tts-output hello.wav --seed 42

Or with auto-download. -l de, es, it, pt, or fr selects and caches the matching Q8_0 checkpoint; omit -l for English:

./build/bin/crispasr --backend pocket-tts -m auto --auto-download -l es \
    --accept-license pocket-tts-terms \
    --voice ref.wav --i-have-rights \
    --tts "Hola, este modelo ya habla español." \
    --tts-output hola.wav

Python binding

from crispasr import Session

sess = Session("pocket-tts-english-f16.gguf")
sess.set_tts_seed(42)
pcm = sess.synthesize("Hello world.")
sess.write_wav("hello.wav", pcm)

Conversion

Converted with models/convert-pocket-tts-to-gguf.py from the CrispASR repo (--voice-cloning bakes in the Mimi encoder + speaker projection). The Mimi codec and SentencePiece tokenizer are embedded in the single GGUF.

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
d106810

0 моделей