/ Модель

Характеристики

Лицензия
OpenRAIL
Базовая модель
supertonic-3
Опубликована
12 сен 2026

supertonic-3-GGUF

Синтез речиТекст → аудио3 профессии

GGUF-конверсия Supertonic 3 для локального синтеза речи из текста на 31 языке с выбором одного из десяти голосов.

1 148скачиваний за 30 дней0лайковвеса обновлены13 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

Это конвертированная в GGUF модель Supertone Supertonic 3, подготовленная для запуска через нативный ggml-рантайм CrispASR. Она предназначена для синтеза речи из текста: использует нерекуррентную архитектуру с flow matching и включает предсказатель длительности, текстовый энкодер, оцениватель вектора и вокодер. Модель содержит около 99 млн параметров, генерирует аудио с частотой 44,1 кГц и поддерживает 31 язык.

В один файл встроены все четыре сети, индексатор Unicode, таблицы нормализации текста NFKD и десять предустановленных голосов F1–F5 и M1–M5. Можно задавать язык, голос, скорость и число шагов flow-модели. В README описана проверка соответствия этапов преобразованной модели исходному ONNX-пайплайну, включая тест преобразования речи обратно в текст. Лицензия — OpenRAIL.

Сценарии применения

  • озвучивание текста на поддерживаемых языках
  • создание аудиоверсий сообщений и коротких текстов
  • выбор мужского или женского предустановленного голоса
  • настройка скорости синтеза речи
  • локальная генерация речи через CrispASR

Ограничения

Модель предназначена для синтеза речи и требует совместимого CrispASR/ggml-рантайма; указанная GGUF-сборка использует формат F16. Доступны десять встроенных голосов, а не произвольное клонирование голоса.

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

Supertonic-3 — GGUF for CrispASR

GGUF conversion of Supertone/supertonic-3 for the native ggml runtime in CrispASR (issue #434). Non-autoregressive flow-matching TTS, 44.1 kHz, 31 languages, ~99 M parameters, ten preset voices.

ONE file: the four networks (duration predictor, text encoder, vector estimator, vocoder), the unicode indexer, the NFKD text-normalisation tables and all ten voice styles (F1–F5, M1–M5) are embedded.

Usage

crispasr --backend supertonic -m supertonic3-f16.gguf \
    --tts "Hello from Supertonic." -o out.wav
# language / voice / speed / flow steps
crispasr --backend supertonic -m auto --tts "Guten Tag." -l de \
    --voice F2 --tts-speed 1.1 --tts-steps 8 -o out_de.wav

License and attribution

The model weights are OpenRAIL-M, inherited from Supertone/supertonic-3 (Supertone, Inc.). The license permits commercial use but carries USE RESTRICTIONS (see the base repo's LICENSE) — you are responsible for complying with them. The upstream sample code that defines the inference pipeline is MIT (supertone-inc/supertonic). This conversion changes the storage format only; all credit for the model belongs to Supertone.

Validation

Converted and validated on Kaggle (chr1str/crispasr-supertonic-434): per-stage parity against the upstream onnxruntime pipeline (text encoder, all 8 CFG flow steps and the vocoder), plus a TTS→ASR roundtrip with an upstream-reference control arm. See validation/results-434.json.

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
48637a7

0 моделей