/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
ZipVoice
Библиотека
ggml
Опубликована
18 сен 2026

zipvoice-gguf

Синтез речиТекст → аудио3 профессии

ZipVoice-Distill GGUF — модель синтеза речи с клонированием голоса, разработанная k2-fsa и упакованная для движка audio.cpp.

33 287скачиваний за 30 дней1лайквеса обновлены18 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

Она основана на ZipVoice и предназначена для zero-shot TTS: генерации речи по тексту с имитацией голоса по аудиореференсу и её транскрипции. Поддерживаются китайский и английский языки, включая смешанный ввод.

Модель использует архитектуру TTSZipformer с flow-matching и вокодер Vocos с частотой дискретизации 24 кГц. В состав GGUF-файла входят модель, вокодер и текстовые компоненты фронтенда, включая таблицы для китайского языка, словари jieba, pypinyin и интеграцию с espeak-ng. Доступны версия F32 размером 553 МБ и рекомендуемая квантизованная Q8_0 размером 158 МБ; последняя снижает потребление памяти примерно на 26% при сохранении качества, близкого к F32. Выходной формат — монофонический WAV 24 кГц.

Модель подходит для локального синтеза речи и клонирования голоса через audio.cpp. Ключевые ограничения — необходимость аудиореференса с точной транскрипцией, зависимость английского фронтенда от библиотеки espeak-ng и отсутствие поставляемых вариантов с более низкой разрядностью из-за возможного ухудшения слышимого качества. Модель распространяется по лицензии Apache-2.0.

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

ZipVoice-Distill GGUF for audio.cpp

Ready-to-run GGUF packages of ZipVoice-Distill (k2-fsa), a zero-shot voice-cloning TTS with a TTSZipformer flow-matching backbone and a Vocos 24 kHz vocoder, packaged for the audio.cpp engine.

Each file is fully self-contained: flow-matching model + bundled Vocos vocoder + embedded text-frontend sidecars (tokens.txt, model.json, zh tables, jieba dictionaries). Output: 24 kHz mono WAV.

Files

FilePrecisionSizeRecommended
zipvoice-distill-q8_0.ggufQ8_0 (weight-only)158 MB✅ default
zipvoice-distill-orig.ggufF32 (original)553 MBbit-exact reference

Q8_0 is the recommended download. Weights are stored as int8 blocks (one F16 scale per 32 weights); activations stay F32 and the kernels dequantize each block on the fly — no full-model dequantization at load, no int8 arithmetic.

Q8_0 vs F32 (Apple M3, Metal, 34 s utterance)

MetricF32Q8_0
File size553 MB158 MB (3.5× smaller)
Runtime memory1310 MB971 MB (−26%)
RTF (lower is better)0.2170.204
Log-mel cosine vs F321.00000.9987 (male) / 0.9997 (female)
Velocity field cosine vs PyTorch1.00000.9993

Quality is transparent to the ear; 8-step distilled sampling, guidance scale 3, time shift 0.5. Lower-bit variants (q6_k … q4_0) are deliberately not provided — they trade audible quality for size on this model.

Usage

Install with the audio.cpp model manager

# from an audio.cpp checkout
python3 tools/model_manager_v2.py install zipvoice_distill_q8_0
# → models/ZipVoice-Distill-GGUF/zipvoice-distill-q8_0.gguf

Direct synthesis (CLI)

audiocpp_cli --task clon --family zipvoice \
    --model models/ZipVoice-Distill-GGUF/zipvoice-distill-q8_0.gguf \
    --voice-ref prompt.wav --reference-text "Reference transcript." \
    --text "你好,这是ZipVoice,支持中文和English两种语言。" --out out.wav

--reference-text must transcribe --voice-ref. Chinese, English and mixed input are handled by the built-in Emilia frontend (jieba + pypinyin tables + espeak-ng; the English path needs the espeak-ng dylib shown above). Python API, server and streaming options are documented in docs/community_models/zipvoice.md.

Provenance & conversion

  • Upstream weights: k2-fsa/ZipVoice (zipvoice_distill, Apache-2.0)
  • Conversion: tools/community_models/convert_zipvoice.py (torch → safetensors → GGUF with model.* / vocos.* namespaces)
  • Quantization: audiocpp_gguf --type q8_0 (weight-only, per-block scales)
  • Parity: text encoder (per-layer taps), flow decoder, Vocos and full synthesis verified against the PyTorch reference; see the zipvoice doc in audio.cpp for the full report

License

Apache-2.0, inherited from the upstream ZipVoice release.

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
cf07ad4

0 моделей