/ Модель

Характеристики

Размер весов
3,8 ГБ
Лицензия
MIT
Архитектура
audiodit · dense
Опубликована
30 мар 2026

LongCat-AudioDiT-3.5B-fp8

Синтез речиТекст → аудио3 профессии

Квантизированная в FP8 модель Meituan для генерации речи по тексту, клонирования голоса и синтеза диалогов с несколькими говорящими.

134скачиваний за 30 дней11лайковвеса обновлены30 мар 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

drbaph/LongCat-AudioDiT-3.5B-fp8 — квантизированная версия модели LongCat-AudioDiT-3.5B от Meituan для синтеза речи. Это неавторегрессионная диффузионная архитектура AudioDiT, которая генерирует речь в пространстве латентных представлений волновой формы и поддерживает синтез по тексту, клонирование голоса по референсному аудио и диалоги с несколькими говорящими. В README заявлены zero-shot синтез и клонирование голоса; указаны результаты 0,818 SIM на Seed-ZH и 0,797 SIM на Seed-Hard.

Линейные матрицы весов трансформера квантизированы методом weight-only FP8, а остальные перечисленные компоненты сохранены в bfloat16. По данным README, это сокращает размер файлов примерно вдвое и снижает использование видеопамяти; инференс предусмотрен через ComfyUI-LongCat-AudioDIT-TTS, а веса можно использовать и с исходным кодом инференса после деквантизации. В карточке указаны языки китайский и английский и лицензия MIT.

Для запуска требуется GPU NVIDIA с CUDA; README приводит ориентир около 8 ГБ видеопамяти и рекомендует GPU с аппаратной поддержкой FP8 для полной скорости. Оценки качества и потребления памяти приведены в README разработчика модели и не являются независимой проверкой.

Сценарии применения

  • синтез речи по тексту на китайском и английском
  • клонирование голоса по образцу аудио
  • создание диалогов с несколькими синтезированными голосами
  • генерация речи с нулевым количеством примеров для нового голоса

Ограничения

Для запуска требуется GPU NVIDIA с CUDA; в README указан ориентир около 8 ГБ видеопамяти. Заявления о качестве и экономии памяти взяты из карточки модели и не подтверждены независимой оценкой.

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

LongCat-AudioDiT-3.5B — FP8 Weight-Only Quantized (ComfyUI)

FP8 quantized version of meituan-longcat/LongCat-AudioDiT-3.5B.

Original Model | Paper | GitHub (Original) | ComfyUI Node


Screenshot 2026-03-30 210100

What is this?

This is a weight-only FP8 quantization of LongCat-AudioDiT-3.5B — a state-of-the-art diffusion-based zero-shot TTS model by Meituan that operates directly in the waveform latent space. The quantization cuts the on-disk size roughly in half and reduces VRAM usage from ~14 GB to ~4 GB, with no perceptible quality loss in practice.

Original (3.5B FP32)This (3.5B FP8)
Weight dtypefloat32float8_e4m3fn
Activation dtypebfloat16bfloat16
Scale—per-tensor float32
File size~14 GB~4 GB
VRAM (inference)~20 GB~8 GB
Extra dependenciesnonenone

Quantization Details

What is quantized: All linear weight matrices in the DiT transformer backbone. Non-linear weights (VAE, embeddings, layer norms, text encoder) remain in bfloat16.

Method: Per-tensor symmetric FP8

Each weight matrix is quantized using a per-tensor scale factor stored in fp8_scales.json:

scale = max(abs(W)) / FP8_MAX        # FP8_MAX = 448.0 for float8_e4m3fn
W_fp8 = round(W_fp32 / scale)        # quantize
W_bf16 = W_fp8.to(bfloat16) * scale  # dequantize at inference

No external quantization library required. Dequantization is handled automatically by the ComfyUI-LongCat-AudioDIT-TTS node pack at load time. The model is fully compatible with the original audiodit inference code once dequantized.

File layout:

  • model.safetensors — FP8 weight tensors
  • fp8_scales.json — per-tensor float32 scale factors for dequantization

Hardware Requirements

  • GPU: NVIDIA GPU with CUDA support
  • VRAM: ~8 GB
  • Native FP8 tensor cores: Ada Lovelace or Blackwell (RTX 4090, RTX 5090, H100, etc.) — recommended for full speed
  • Older GPUs (Ampere and below): Will load and run correctly. Dequantization to bfloat16 happens on all hardware, so you still get the reduced VRAM footprint even without native FP8 cores.

Usage — ComfyUI (Recommended)

The easiest way to use this model is with ComfyUI-LongCat-AudioDIT-TTS, which has native support for this FP8 model with zero extra setup.

Installation

  1. Install the ComfyUI node via ComfyUI Manager (search LongCat-AudioDiT) or manually:
   cd ComfyUI/custom_nodes
   git clone https://github.com/Saganaki22/ComfyUI-LongCat-AudioDIT-TTS.git
  1. The model auto-downloads on first use — select LongCat-AudioDiT-3.5B-fp8 from the model dropdown in any LongCat node.

  2. Or download manually:

   huggingface-cli download drbaph/LongCat-AudioDiT-3.5B-fp8 --local-dir ComfyUI/models/audiodit/LongCat-AudioDiT-3.5B-fp8

Available Nodes

  • LongCat AudioDiT TTS — Zero-shot text-to-speech
  • LongCat AudioDiT Voice Clone TTS — Voice cloning from reference audio
  • LongCat AudioDiT Multi-Speaker TTS — Multi-speaker conversation synthesis

Recommended Settings

  • dtype: auto or bf16 — FP8 weights are dequantized to BF16 at load time
  • guidance_method: cfg for TTS, apg for voice cloning
  • steps: 16 (balanced), 32 (higher quality)
  • keep_model_loaded: True for repeated use

About LongCat-AudioDiT

LongCat-AudioDiT is a non-autoregressive diffusion-based TTS model from Meituan that achieves state-of-the-art zero-shot voice cloning performance on the Seed benchmark. Unlike previous methods relying on mel-spectrograms, it operates directly in the waveform latent space using only a Wav-VAE and a DiT backbone.

The 3.5B variant achieves 0.818 SIM on Seed-ZH and 0.797 SIM on Seed-Hard, surpassing both open-source and closed-source competitors.


License

This model inherits the MIT License from meituan-longcat/LongCat-AudioDiT-3.5B.

The FP8 quantization was produced by drbaph and is released under the same license.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура audiodit неизвестна transformers в образе рантайма.

Ревизия весов
33a4ea3

0 моделей