/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
arktts · dense
Базовая модель
Audio8-TTS-Preview-0.6b
Библиотека
mlx-audio
Опубликована
30 июл 2026

Audio8-TTS-Preview-0.6b-bf16

Синтез речиТекст → аудио3 профессии

Многоязычная модель Audio8 на MLX для синтеза речи из текста и клонирования голоса по аудиопримеру на Apple Silicon.

229скачиваний за 30 дней2лайкавеса обновлены4 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

Audio8-TTS-Preview-0.6b-bf16 — конверсия модели Audio8/Audio8-TTS-Preview-0.6b для Apple Silicon в формате MLX. Это многоязычная модель синтеза речи с 0,6 млрд параметров на архитектуре arktts: DualAR-трансформер использует 24 слоя для предсказания семантических токенов и 4 слоя для генерации кодов аудиокодека. В комплект входит нейронный кодек с частотой дискретизации 44,1 кГц.

Модель предназначена для преобразования текста в речь и клонирования голоса по образцу аудио в режиме zero-shot. Поддерживаются кантонский и китайский, нидерландский, английский, французский, немецкий, итальянский, японский, корейский, польский и испанский языки. Для запуска требуется mlx-audio версии 0.4.7 или новее; веса модели представлены в bf16, а веса кодека — в fp32.

README сообщает о проверке численного соответствия PyTorch-версии на CPU, включая точное совпадение токенов при жадной генерации на проверочной фразе. Это не гарантирует такого же качества или производительности на других данных и конфигурациях. Модель опубликована под лицензией Apache-2.0.

Сценарии применения

  • озвучивание текста на поддерживаемых языках
  • клонирование голоса по короткому аудиопримеру
  • создание многоязычных голосовых ответов
  • локальный синтез речи на компьютерах Apple Silicon

Ограничения

Для запуска требуется mlx-audio версии 0.4.7 или новее и устройство Apple Silicon. Заявленная проверка точного совпадения генерации относится к проверочной фразе и не подтверждает качество на произвольных данных.

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

Audio8-TTS-Preview-0.6b-bf16 (MLX)

MLX conversion of Audio8/Audio8-TTS-Preview-0.6b (revision 1b17c91) for Apple Silicon — a 0.6B-parameter multilingual text-to-speech model with zero-shot voice cloning and a bundled 44.1 kHz neural codec.

  • Language model: bf16 (as published upstream)
  • Codec: fp32, converted from codec.pth to safetensors with weight-norm folded and conv weights in MLX (channels-last) layout
  • Architecture: arktts — a DualAR transformer (24-layer slow AR predicting one semantic token per frame, 4-layer fast AR predicting 10 codec codebooks per frame), inspired by Fish Audio S2 Pro

Conversion parity vs the PyTorch reference (fp32, CPU): unit/block outputs within 1e-4, reference-audio codec encoding 100% code-exact, greedy generation 100% token-exact over the validation utterance, decoded waveform max-abs 7.5e-6.

Usage (mlx-audio)

Requires mlx-audio ≥ 0.4.7 — the release that first carries the arktts model family (#867).

pip install -U "mlx-audio>=0.4.7"
import soundfile as sf
from mlx_audio.tts.utils import load

model = load("mlx-community/Audio8-TTS-Preview-0.6b-bf16")

# zero-shot voice cloning: the reference transcript must match the reference audio
for result in model.generate(
    text="Welcome to Audio8 TTS, running on Apple Silicon.",
    ref_audio="reference.wav",
    ref_text="Transcript of the reference clip.",
    temperature=0.7, top_p=0.9, top_k=50,
):
    sf.write("output.wav", result.audio, result.sample_rate)

Without ref_audio, the model synthesizes with a default voice.

Supported languages

Cantonese, Chinese, Dutch, English, French, German, Italian, Japanese, Korean, Polish, Spanish (per the upstream preview release).

License

Apache-2.0, following the upstream model. The bundled codec weights are part of the upstream repository and carry the same license.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx-audio

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
ArkttsModel
Ревизия весов
e59b26e

0 моделей