/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
Voxtral-4B-TTS-2603
Библиотека
ggml
Опубликована
10 июл 2026

voxtral-4b-tts-GGUF

Синтез речиТекст → аудио3 профессии

Voxtral-4B-TTS-GGUF — конверсия и квантизация модели Voxtral-4B-TTS-2603, разработанной Mistral AI и опубликованной под идентификатором mistralai.

858скачиваний за 30 дней4лайкавеса 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 синтеза речи из текста и работает через backend voxtral-tts в составе CrispASR, позволяя использовать её как нативный C++-бинарник без Python. Она поддерживает английский, французский, немецкий, испанский, итальянский, португальский, нидерландский, арабский и хинди, предоставляет 20 предустановленных голосов и генерирует аудио с частотой 24 кГц.

Архитектура включает авторегрессионный LLM-бэкбон Ministral-3B с 26 слоями и GQA 32/8, трёхслойный двунаправленный acoustic transformer на основе flow matching и декодер кодека Voxtral. Доступны варианты GGUF в форматах Q4_K размером около 2,4 ГБ, Q8_0 около 4,3 ГБ и F16 около 8,2 ГБ; семантический codebook и эмбеддинги голосов во всех вариантах хранятся в F32. Q4_K ориентирован на запуск в системах с 8 ГБ оперативной памяти, тогда как более точные варианты могут обеспечивать лучшее качество за счёт большего потребления памяти.

Модель подходит для многоязычного офлайн-синтеза речи, воспроизводимого генерирования с заданным seed и выбора предустановленных голосов. Ограничения включают работу только с предусмотренными языками и голосами, зависимость от совместимого backend voxtral-tts и отсутствие изменений исходных возможностей при конверсии. Лицензия CC-BY-NC-4.0 допускает использование на некоммерческих условиях; коммерческое применение не разрешено условиями лицензии.

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

Voxtral-4B-TTS-2603 — GGUF

GGUF / ggml conversions of mistralai/Voxtral-4B-TTS-2603 for use with the voxtral-tts backend of CrispStrobe/CrispASR — one C++ binary, no Python.

Text-to-speech across 9 languages (en, fr, de, es, it, pt, nl, ar, hi) with 20 preset voices, 24 kHz output.

Architecture

A three-component pipeline, all implemented as ggml compute graphs:

  1. LLM backbone — Ministral-3B autoregressive decoder (26 layers, GQA 32/8, NORMAL/adjacent-pair RoPE θ=1e6). Conditioned on a preset voice prefix + text, it emits one hidden state per audio frame.
  2. Flow-matching acoustic transformer — 3-layer bidirectional transformer (no positional encoding). Per frame: a semantic token (greedy argmax) plus 36 acoustic FSQ codes via an 8-step (7-interval) Euler ODE with classifier-free guidance (α=1.2).
  3. Voxtral codec decoder — 292-d input (256-d semantic VQ + 36-d FSQ) → causal conv → 4× [2-layer ALiBi transformer + ConvTranspose1d upsampling] → 240 PCM samples/frame at 24 kHz.

Files

FilePrecisionSizeNotes
voxtral-4b-tts-q4_k.ggufQ4_K~2.4 GBdefault; fits comfortably in 8 GB RAM
voxtral-4b-tts-q8_0.ggufQ8_0~4.3 GBhigher quality
voxtral-4b-tts-f16.ggufF16~8.2 GBreference precision

The semantic VQ codebook (codec.semantic_cb.weight) and preset voice embeddings are kept at F32 in every file.

Usage

# auto-downloads the Q4_K on first run
crispasr --backend voxtral-tts -m auto --auto-download \
    --tts "Bonjour le monde." --voice fr_female --tts-output out.wav

--voice accepts any preset (e.g. neutral_female, neutral_male, casual_female, cheerful_female, fr_female, de_male, es_female, it_male, pt_female, nl_male, ar_male, hi_female, …). Omit it for the default voice. Add --seed N for a reproducible acoustic sample.

License

The GGUF conversions inherit the base model's CC-BY-NC-4.0 license (non-commercial). See mistralai/Voxtral-4B-TTS-2603 for the original weights and terms.

Provenance and EU AI Act Art. 53 note

  • Upstream model: mistralai/Voxtral-4B-TTS-2603 — published by mistralai.
  • Upstream licence: cc-by-nc-4.0. 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. No training-content summary was found on the upstream model card at the time of writing; that documentation gap is upstream's and is not filled here.
  • 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
aec6a93

0 моделей