Характеристики

Лицензия: CC BY-NC 4.0
Базовая модель: Raon-OpenTTS-0.3B
Опубликована: 2 сен 2026

Ссылки

Hugging Face

raon-opentts-0.3b-GGUF

cstr

Синтез речиТекст → аудио3 профессии

Англоязычная модель F5-TTS в GGUF для синтеза речи и клонирования голоса по аудиообразцу.

442скачиваний за 30 дней0лайковвеса обновлены2 сен 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

Raon-OpenTTS 0.3B-GGUF — конвертированная в формат GGUF версия модели KRAFTON/Raon-OpenTTS-0.3B, подготовленная для использования с CrispASR. Это англоязычная система синтеза речи на архитектуре F5-TTS DiT с flow matching и клонированием голоса по образцу; в комплект входят вокодер HiFi-GAN с частотой дискретизации 16 кГц, mel-фильтр Slaney, окно Hann и словарь на 5555 символов. Диффузионный блок имеет размерность 1024 и 22 слоя.

Модель предназначена для преобразования текста в речь и синтеза с голосом, заданным аудиозаписью и её расшифровкой. Репозиторий содержит единый GGUF-файл точности F16. Лицензия CC-BY-NC-4.0 разрешает использование только в некоммерческих целях с указанием авторства KRAFTON.

Сценарии применения

синтез английской речи из текста
озвучивание текста голосом по аудиообразцу
клонирование голоса для озвучивания коротких фраз

Ограничения

Поддерживается английский язык; вокодер рассчитан на частоту дискретизации 16 кГц. Лицензия CC-BY-NC-4.0 ограничивает использование некоммерческими сценариями.

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 835моделей I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели II.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

Raon-OpenTTS 0.3B — GGUF for CrispASR

GGUF conversion of KRAFTON/Raon-OpenTTS-0.3B — an English F5-TTS DiT (flow-matching, zero-shot voice cloning) paired with a 16 kHz HiFi-GAN vocoder (speechbrain/tts-hifigan-libritts-16kHz lineage).

License: CC-BY-NC-4.0 — non-commercial use only (upstream model license). Attribution: Raon-OpenTTS by KRAFTON. The slaney mel filterbank + Hann window are computed with torchaudio and shipped inside the GGUF.

Single self-contained GGUF: F5-TTS DiT (dim=1024, 22 layers) + HiFi-GAN vocoder + shipped mel filterbank/window + 5555-char vocab.

Usage (CrispASR)

crispasr --backend raon -m auto \
    --voice reference.wav --ref-text "transcript of the reference" \
    --tts "Text to synthesize." --tts-output out.wav --i-have-rights

-m auto downloads this GGUF (with the CC-BY-NC-4.0 acceptance notice).

Validation: the full CrispASR pipeline (DiT + sbhifigan mel + HiFi-GAN) passes a TTS→ASR roundtrip — synthesized speech transcribes back to the input text at 0.90 word overlap. The vocoder was verified in isolation against the reference (cosine 0.998). Converted with models/convert-raon-opentts-to-gguf.py.

Performance note: the HiFi-GAN vocoder currently runs on CPU (~40 s per short utterance); the DiT is fast on a GPU build. A ggml vocoder path is planned.

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: 2075832