/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
pytorch
Опубликована
7 окт 2026

rapido-tts

Синтез речиТекст → аудио

Компактная офлайн-модель превращает текст на бразильском португальском в речь с частотой 48 кГц.

0скачиваний за 30 дней9лайковвеса обновлены7 окт 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

Rápido TTS — компактная модель синтеза речи на бразильском португальском, разработанная авторами проекта Rápido TTS и обученная с нуля. Модель содержит 21 млн параметров, использует свёрточный текстовый энкодер, предсказатель длительности, выравниватель и диффузионный трансформер с flow matching; аудиолатенты декодируются замороженным VoxCPM2 AudioVAE. На выходе — монофонический звук с частотой 48 кГц.

Модель предназначена для локального офлайн-преобразования текста в речь, в том числе для чтения чисел, денежных сумм, дат, времени, порядковых числительных, единиц измерения и телефонных номеров по правилам бразильского португальского. Поддерживаются потоковая генерация и работа на CPU или GPU. В README заявлены 76-кратная скорость относительно реального времени на H100, начало выдачи аудио через 129 мс и потребление 1,2 ГБ памяти GPU; результаты зависят от оборудования и настроек.

Модель имеет один голос, не поддерживает клонирование голоса и управление эмоциями. Она рассчитана только на португальский: иностранные имена, английские слова и аббревиатуры могут произноситься по правилам португальского чтения. Манера речи спокойная, дикторская. Лицензия — Apache 2.0.

Сценарии применения

  • озвучивание бразильских португальских текстов
  • чтение цен, сумм и денежных документов вслух
  • озвучивание дат, времени и телефонных номеров
  • локальная генерация речи без отправки данных в облако
  • потоковая озвучка текста на CPU или GPU

Ограничения

Доступен один голос; клонирование голоса и управление эмоциями не поддерживаются. Модель рассчитана только на португальский, а иностранные имена, английские слова и аббревиатуры могут произноситься по португальским правилам.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Rápido TTS

Rápido TTS

Tiny, fast Brazilian Portuguese text-to-speech. 21M parameters, a 42 MB checkpoint, 48 kHz audio and Apache 2.0. It runs offline on your own GPU or CPU, so no text or audio leaves the machine.

  • Reads Brazil right: numbers, money, dates, times, ordinals, units and phone numbers come out the way a Brazilian says them, with 2.94% WER on our numbers & pronunciation test. That is the lowest of the small open pt-BR TTS models we tested.
  • Small: 21M parameters and a 42 MB checkpoint, trained from scratch for Brazilian Portuguese.
  • Fast: 76× real time on one GPU, with first audio in 129 ms and only 1.2 GB of GPU memory.
  • Private: it runs fully offline on your GPU or CPU.

Roadmap

Rápido v1 is the first of a family of small, fast speech models.

  • Rápido v1: Brazilian Portuguese TTS, 21M parameters, one built-in voice
  • Rápido Clone: zero-shot voice cloning from a few seconds of reference audio
  • Rápido Multilingual: one compact model for many languages

Code: github.com/anurag12-webster/rapido-tts

Listen

"Olá! Tudo bem com você? Hoje o dia está lindo em São Paulo."

"O boleto de R$ 1.299,90 vence no dia 05/11/2026, às 14h30."

"Você vem com a gente ou vai ficar em casa? Já são quase oito horas!"

Each clip was made with the default settings (8 steps, guidance 4.0, seed 0), straight from the text shown.

Install

git clone https://github.com/anurag12-webster/rapido-tts && cd rapido-tts
pip install -r requirements.txt

Requires Python 3.10+. For a smaller CPU-only install, install PyTorch first: pip install torch --index-url https://download.pytorch.org/whl/cpu, then pip install -r requirements.txt.

Use

from rapido import Rapido

tts = Rapido.from_pretrained()                 # downloads the weights once; GPU if available

result = tts.synthesize("Olá! Tudo bem com você?")
result.save("ola.wav")

synthesize() returns a Result:

  • result.output["audio"] is float32 mono PCM.
  • result.output["sample_rate"] is 48000.
  • result.output["text"] is the spoken form the model read.
  • result.metrics holds the audio length, the time taken and the speed relative to real time.

Streaming

for chunk in tts.synthesize(long_text, stream=True):
    play(chunk.output["audio"], chunk.output["sample_rate"])

Each chunk is one sentence, returned as soon as it is ready. Joined together, the chunks are the full text.

Settings

from rapido import Rapido, Config

tts = Rapido(Config(device="cpu", steps=8, guidance=4.0, speed=1.0, seed=0, cpu_threads=8))
tts.synthesize("Bom dia!", speed=1.1, seed=7)   # per-call overrides
SettingDefault
steps8sampling steps; 8 scores the same as 16
guidance4.0classifier-free guidance; 3 to 4 works best
speed1.0speaking rate
seed0the same seed gives the same audio; None means random
device"auto""cuda", "cpu" or "auto"

Command line

python -m rapido "O boleto vence no dia 05/11/2026." -o boleto.wav
python -m rapido -f texto.txt -o texto.wav

Portuguese, as written

Write normally. Rápido expands the written form into words before speaking, and tts.normalize(text) shows you exactly what it will say.

WrittenSpoken
R$ 1.299,90mil duzentos e noventa e nove reais e noventa centavos
05/11/2026cinco de novembro de dois mil e vinte e seis
às 14h30às catorze horas e trinta minutos
4,5%quatro vírgula cinco por cento
200 pessoas · 2 criançasduzentas pessoas · duas crianças
1ª colocada, 3º lugarprimeira colocada, terceiro lugar
século XVIII · Dom Pedro IIséculo dezoito · dom pedro segundo
95 km · 16 °Cnoventa e cinco quilômetros · dezesseis graus celsius
(11) 98765-4321um um, nove oito sete seis cinco, quatro três dois um
Sr. Silva, Av. Paulista, nº 1000senhor silva, avenida paulista, número mil

Benchmarks

Brazilian text is full of things written one way and spoken another: prices, dates, times, percentages, ordinals and phone numbers. We built a 40-sentence test of exactly that, gave every model the same raw text, transcribed the audio with Whisper large-v3, and compared the result word by word (numbers expanded to words before scoring).

ModelSizeWER on numbers, money & dates ↓
Rápido TTS21M2.94%
Piper pt-BR (faber, medium)~16M3.31%
Kokoro-82M (pf_dora)82M4.68%
MMS-TTS Portuguese36M14.88%

Speed

One requestFirst audioGPU memory
NVIDIA H10076× real time129 ms1.2 GB
NVIDIA L429× real time273 ms1.2 GB
Laptop CPU (8 threads)1.6× real time0.6 s—

Measured with plain PyTorch at 8 steps, one request at a time, taking the middle of 3 passes after a warm-up.

How it works

  1. A convolutional text encoder reads Portuguese letters.
  2. A duration predictor places each letter on a word–letter timeline.
  3. A windowed Gaussian aligner gives every audio frame a soft mix of the letters near it.
  4. A flow-matching diffusion transformer generates 64-dimensional latents at 25 Hz in 8 steps.
  5. The frozen VoxCPM2 AudioVAE decodes the latents to 48 kHz.

Limitations

  • One voice. There is no voice cloning and no emotion control.
  • Portuguese only. Foreign names, English words and acronyms are read with Portuguese spelling rules.
  • Narration style. The delivery is calm and read-aloud rather than conversational.
  • Synthetic speech. Tell listeners when they are hearing an AI voice, and never use it to impersonate anyone.

Acknowledgements

The 48 kHz decoder is the AudioVAE from VoxCPM2 by OpenBMB (Apache 2.0).

License

Apache 2.0.

Citation

@misc{rapido2026,
  title        = {Rápido: Tiny, Fast Brazilian Portuguese Text-to-Speech},
  author       = {Kanade, Anurag},
  year         = {2026},
  howpublished = {\url{https://github.com/anurag12-webster/rapido-tts}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
d4399f4

0 моделей