/ Модель

Характеристики

Лицензия
MIT
Базовая модель
VibeVoice-Realtime-0.5B
Библиотека
ggml
Опубликована
25 апр 2026

vibevoice-realtime-0.5b-GGUF

Синтез речиТекст → аудио3 профессии

cstr/vibevoice-realtime-0.5b-GGUF — это конвертация потоковой модели синтеза речи VibeVoice-Realtime-0.5B, разработанной Microsoft, в формат GGUF для использования с CrispASR.

3 972скачиваний за 30 дней10лайковвеса 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 в реальном времени, включая озвучивание на английском, немецком, французском, итальянском, японском, корейском, нидерландском, польском, португальском и испанском языках.

Архитектура включает 4-слойную и 20-слойную версии Qwen2 для текстового и речевого кондиционирования, prediction head на основе AdaLN и SwiGLU, 20-шаговый DPM-Solver++, classifier-free guidance, sigma-VAE-декодер и классификатор EOS для автоматического определения длины. Доступны варианты F16 размером около 2 ГБ, Q8_0 размером около 1,2 ГБ и Q4_K размером около 699 МБ; для Q8_0 и Q4_K основные Qwen2-backbone квантуются, а компоненты, влияющие на качество генерации, сохраняются в полной точности. Выходной формат — монофонический WAV с частотой 24 кГц.

Для работы необходим voice prompt: поставляемые голосовые пакеты задают фиксированную идентичность диктора и включают 25 демонстрационных голосов для разных языков. Модель не поддерживает клонирование голоса на лету; для этого рекомендуется другая модель VibeVoice. Сильными сторонами являются потоковая генерация, мультиязычность, компактные квантизованные варианты и заявленное точное совпадение текста после обратной проверки через ASR. Модель распространяется по лицензии MIT.

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-Realtime-0.5B — GGUF

GGUF conversion of microsoft/VibeVoice-Realtime-0.5B for use with CrispASR.

Model variants

FileQuantSizeNotes
vibevoice-realtime-0.5b-tts-f16.ggufF162.0 GBFull precision, reference quality
vibevoice-realtime-0.5b-q8_0.ggufQ8_01.2 GBNear-lossless
vibevoice-realtime-0.5b-q4_k.ggufQ4_K699 MBRecommended — perfect ASR round-trip

The Q8_0/Q4_K files keep the diffusion prediction head, connectors and EOS classifier at full precision (only the two Qwen2 backbones are quantized). The head runs under classifier-free guidance over 20 solver steps, 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 at full precision avoids that at a small size cost.

Voice prompts

A voice prompt is required for TTS. Each .gguf voice pack ships pre-computed KV caches that establish a fixed speaker identity (the realtime variant is not WAV-cloning — for runtime cloning, use cstr/vibevoice-1.5b-GGUF instead).

This repo bundles all 25 demo voices from microsoft/VibeVoice@main demo/voices/streaming_model/ — same MIT license as the model.

FileSpeakerLanguage
vibevoice-voice-emma.ggufEmma (F)English (alias of en-Emma_woman)
vibevoice-voice-en-Emma_woman.ggufEmma (F)English
vibevoice-voice-en-Carter_man.ggufCarter (M)English
vibevoice-voice-en-Davis_man.ggufDavis (M)English
vibevoice-voice-en-Frank_man.ggufFrank (M)English
vibevoice-voice-en-Grace_woman.ggufGrace (F)English
vibevoice-voice-en-Mike_man.ggufMike (M)English
vibevoice-voice-de-Spk0_man.ggufSpk0 (M)German
vibevoice-voice-de-Spk1_woman.ggufSpk1 (F)German
vibevoice-voice-fr-Spk0_man.ggufSpk0 (M)French
vibevoice-voice-fr-Spk1_woman.ggufSpk1 (F)French
vibevoice-voice-in-Samuel_man.ggufSamuel (M)Indian English
vibevoice-voice-it-Spk0_woman.ggufSpk0 (F)Italian
vibevoice-voice-it-Spk1_man.ggufSpk1 (M)Italian
vibevoice-voice-jp-Spk0_man.ggufSpk0 (M)Japanese
vibevoice-voice-jp-Spk1_woman.ggufSpk1 (F)Japanese
vibevoice-voice-kr-Spk0_woman.ggufSpk0 (F)Korean
vibevoice-voice-kr-Spk1_man.ggufSpk1 (M)Korean
vibevoice-voice-nl-Spk0_man.ggufSpk0 (M)Dutch
vibevoice-voice-nl-Spk1_woman.ggufSpk1 (F)Dutch
vibevoice-voice-pl-Spk0_man.ggufSpk0 (M)Polish
vibevoice-voice-pl-Spk1_woman.ggufSpk1 (F)Polish
vibevoice-voice-pt-Spk0_woman.ggufSpk0 (F)Portuguese
vibevoice-voice-pt-Spk1_man.ggufSpk1 (M)Portuguese
vibevoice-voice-sp-Spk0_woman.ggufSpk0 (F)Spanish
vibevoice-voice-sp-Spk1_man.ggufSpk1 (M)Spanish

Each voice pack is ~2-6 MB. The vibevoice-voice-emma.gguf filename is kept as the legacy default (referenced by crispasr -m auto --backend vibevoice-tts in CrispASR's auto-download manifest); vibevoice-voice-en-Emma_woman.gguf is the canonical upstream-named copy.

Usage

# English with Emma
crispasr --backend vibevoice-tts \
    -m vibevoice-realtime-0.5b-q4_k.gguf \
    --voice vibevoice-voice-emma.gguf \
    --tts "Hello, how are you today?" \
    --tts-output hello.wav

# Japanese with jp-Spk1_woman
crispasr --backend vibevoice-tts \
    -m vibevoice-realtime-0.5b-q4_k.gguf \
    --voice vibevoice-voice-jp-Spk1_woman.gguf \
    --tts "こんにちは、これは日本語の音声テストです。" \
    --tts-output jp.wav

Output: 24 kHz mono WAV. Use crispasr -m auto --backend vibevoice-tts to auto-download the model + the default Emma voice.

Runtime note: CrispASR keeps the initial sigma-VAE decoder samples for the realtime model. Builds after 2026-06-18 also avoid spread-spectrum watermark boundary amplification, fixing the earlier start-click artifact seen in some short generated WAVs.

Architecture

VibeVoice-Realtime-0.5B is a streaming text-to-speech model:

  • Base LM: 4-layer Qwen2 (text encoding with voice context)
  • TTS LM: 20-layer Qwen2 (speech conditioning, autoregressive)
  • Prediction head: 4 AdaLN + SwiGLU layers (flow matching denoiser)
  • DPM-Solver++: 20-step 2nd-order midpoint solver (cosine schedule, v-prediction)
  • Classifier-Free Guidance: dual KV cache, cfg_scale=3.0
  • sigma-VAE decoder: 7-stage transposed ConvNeXt (3200× upsample to 24 kHz)
  • EOS classifier: automatic length detection

Quality verification

All quantisations produce exact ASR round-trip matches on English:

Input textParakeet ASR output
"Hello world""Hello world."
"Hello, how are you today?""Hello, how are you today?"
"The quick brown fox jumps over the lazy dog""The quick brown fox jumps over the lazy dog."
"Good morning everyone""Good morning, everyone."

Decoder-start parity was also checked against the official PyTorch decoder by replaying saved realtime latents: the C++ raw decoder output starts smoothly and matches the reference onset profile before CLI watermarking and WAV serialization.

Conversion

Model:

python models/convert-vibevoice-to-gguf.py \
    --input microsoft/VibeVoice-Realtime-0.5B \
    --output vibevoice-realtime-0.5b-tts-f16.gguf \
    --include-decoder

build/bin/crispasr-quantize vibevoice-realtime-0.5b-tts-f16.gguf \
    vibevoice-realtime-0.5b-q4_k.gguf q4_k

Voice packs (one per upstream .pt):

python models/convert-vibevoice-voice-to-gguf.py \
    --input demo/voices/streaming_model/en-Carter_man.pt \
    --output vibevoice-voice-en-Carter_man.gguf

Attribution

License

MIT (same as the upstream model and voice prompts).

Provenance and EU AI Act Art. 53 note

  • Upstream model: microsoft/VibeVoice-Realtime-0.5B — 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/GGML). 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 · ggml

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
c120626

0 моделей