/ Модель

Характеристики

Контекст
128 000 токенов
Лицензия
CC BY-NC 4.0
Архитектура
voxtral_tts · dense
Базовая модель
Voxtral-4B-TTS-2603
Опубликована
26 мар 2026

Voxtral-4B-TTS-2603-mlx-bf16

Синтез речиТекст → аудио3 профессии

MLX-версия многоязычной модели Voxtral-4B-TTS-2603 для синтеза речи из текста с выбором голосовых пресетов.

1 340скачиваний за 30 дней1лайквеса обновлены27 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

Это версия Voxtral-4B-TTS-2603, подготовленная сообществом mlx-community для MLX в формате bf16 на основе mistralai/Voxtral-4B-TTS-2603. Модель с плотной архитектурой и 4 млрд параметров предназначена для синтеза речи из текста; файлы занимают около 8 ГБ. Заявленный контекст — 128 000 токенов.

Модель предлагает 20 голосовых пресетов на девяти языках: английском, французском, испанском, немецком, итальянском, португальском, нидерландском, арабском и хинди. Её можно применять для озвучивания текста и голосовых агентов. README приводит показатели скорости на Apple Silicon: для bf16 RTF составляет 6,50x на коротких и 6,32x на длинных примерах; качество и применимость этих показателей зависят от оборудования и сценария. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

Сценарии применения

  • озвучивание текстов на девяти языках
  • генерация реплик для голосового агента
  • создание озвучки с выбором мужского или женского голоса
  • синтез коротких и длинных речевых фрагментов

Ограничения

Модель требует около 8 ГБ для bf16, а приведённые показатели скорости относятся к Apple Silicon и зависят от оборудования. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

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 (MLX bf16)

MLX bf16 version of mistralai/Voxtral-4B-TTS-2603 — a 4B parameter multilingual text-to-speech model with 20 voice presets across 9 languages.

Size: ~8GB

Use with mlx-audio

pip install -U mlx-audio
from mlx_audio.tts.utils import load

model = load("mlx-community/Voxtral-4B-TTS-2603-mlx-bf16")

for result in model.generate(
    text="Hello, this is a test of Voxtral text-to-speech!",
    voice="casual_male",
):
    # result.audio is an mx.array of 24kHz audio samples
    print(f"Generated {result.audio_duration} of audio")

Available Voices

English: casual_male, casual_female, cheerful_female, neutral_male, neutral_female

French: fr_male, fr_female | Spanish: es_male, es_female | German: de_male, de_female

Italian: it_male, it_female | Portuguese: pt_male, pt_female | Dutch: nl_male, nl_female

Arabic: ar_male | Hindi: hi_male, hi_female

Throughput (Apple Silicon)

VariantShort RTFLong RTFSize
4-bit0.97x0.74x~2.5GB
6-bit1.15x1.07x~3.5GB
bf166.50x6.32x~8GB

RTF = Real-Time Factor (lower is faster, <1.0 = faster than real-time).

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
dd85c02

0 моделей