/ Модель

Характеристики

Лицензия
MIT
Базовая модель
VibeVoice-1.5B
Опубликована
25 апр 2026

vibevoice-1.5b-GGUF

Синтез речиТекст → аудио3 профессии

cstr/vibevoice-1.5b-GGUF — это конвертированная в формат GGUF версия модели Microsoft VibeVoice-1.5B для синтеза речи, предназначенная для использования с CrispASR.

1 191скачиваний за 30 дней3лайкавеса 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 поддерживает клонирование голоса по аудиореференсу и многоговорящую генерацию речи, включая сценарии с участием до четырёх говорящих. В метаданных указана поддержка английского и китайского языков.

Модель использует единую архитектуру на базе Qwen2.5-1.5B: языковую модель с 28 слоями, размерностью 1536, 12 головами внимания и 2 KV-головами, а также отдельные акустический и семантический энкодеры, prediction head и декодер на основе ConvNeXt. Генерация речевых токенов выполняется авторегрессионно, а диффузионное семплирование — с помощью DPM-Solver++ за 20 шагов. Доступны варианты F16 размером 5,1 ГБ, Q8_0 размером 3,1 ГБ и Q4_K размером 1,9 ГБ; в квантованных вариантах языковая основа сжата, а ключевые компоненты синтеза сохранены в полной точности.

Для работы требуется WAV-файл с голосовым образцом в формате 24 кГц, моно. Это базовая, а не потоковая версия модели, поэтому она не предназначена для streaming-сценариев. Сильными сторонами являются клонирование голоса, многоговорящая генерация и наличие компактных квантованных вариантов с сохранением качества; ограничения включают необходимость аудиореференса и отсутствие потоковой генерации. Модель распространяется по лицензии MIT на тех же условиях, что и исходная модель Microsoft; репозиторий содержит только конвертацию и квантование весов без дополнительного обучения или изменения архитектуры.

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

VibeVoice-1.5B GGUF

GGUF conversion of microsoft/VibeVoice-1.5B for use with CrispASR.

This is the base model (not the streaming variant). It supports voice cloning from audio samples and multi-speaker synthesis.

Model variants

FileQuantSizeNotes
vibevoice-1.5b-tts-f16.ggufF165.1 GBFull precision
vibevoice-1.5b-tts-q8_0.ggufQ8_03.1 GBNear-lossless
vibevoice-1.5b-tts-q4_k.ggufQ4_K1.9 GBSmallest, perfect ASR round-trip

The Q8_0/Q4_K files keep the diffusion prediction head, connectors and EOS classifier at full precision (only the LM backbone is quantized). The head runs under classifier-free guidance, so quantizing it could push the first frames onto a wrong trajectory that decodes as a brief non-speech "music"/hum onset before the voice; keeping it full-precision avoids that at a small size cost.

Usage

Requires a voice reference audio (WAV file, 24 kHz mono) for voice cloning:

# Voice cloning TTS
VIBEVOICE_VOICE_AUDIO=reference_voice.wav \
crispasr --tts "Hello, how are you today?" \
    -m vibevoice-1.5b-tts-q4_k.gguf \
    --tts-output output.wav

Architecture

Single-LM architecture (differs from the streaming Realtime-0.5B):

  • LM: Qwen2.5-1.5B (d=1536, 28 layers, 12 heads, 2 KV heads)
  • Prediction head: 4 AdaLN + SwiGLU layers (d=1536)
  • Acoustic encoder: 7-stage ConvNeXt (3200x downsample from 24kHz)
  • Semantic encoder: same architecture, 128-dim latent
  • Decoder: 7-stage transposed ConvNeXt (3200x upsample)
  • DPM-Solver++: 20-step, cosine schedule, v-prediction

The model generates speech tokens autoregressively — the LM produces <|vision_pad|> (speech_diffusion) tokens that trigger diffusion sampling, with <|vision_start|> / <|vision_end|> as control tokens.

Quality

InputParakeet ASR
"Hello, how are you today?""Hello, how are you today?"

Differences from Realtime-0.5B

FeatureRealtime-0.5B1.5B Base
Architecture4L base + 20L TTS LMSingle 28L LM
Voice inputPre-computed .pt promptsAudio WAV files
Voice cloningNo (fixed presets)Yes (from reference audio)
Multi-speakerNoYes (up to 4 speakers)
StreamingYesNo

License

MIT (same as original model).

Provenance and EU AI Act Art. 53 note

  • Upstream model: microsoft/VibeVoice-1.5B — published by microsoft.
  • Upstream licence: mit. This repository redistributes under the same terms; it grants no rights the upstream licence does not.
  • What was done here: format conversion and/or quantisation only (GGUF). No training, no fine-tuning, no merging, no distillation, no change to architecture, vocabulary or capability. Only the numeric representation of the upstream weights differs.
  • Training data: documented — where it is documented at all — by the upstream provider; see the upstream model card. No training data was used, added or selected by this repository.
  • Provider status: under Regulation (EU) 2024/1689 the upstream authors remain the provider of this model. Converting the serialisation format does not make this repository the provider of a new general-purpose AI model, and no such claim is made. Questions about training content, copyright policy or model capability belong upstream.

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
717d76c

0 моделей