/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
magpie_tts_multilingual_357m
Опубликована
24 июл 2026

magpie-tts.cpp-gguf

Синтез речиТекст → аудио3 профессии

mudler/magpie-tts.cpp-gguf — это локальная мультиязычная модель синтеза речи NVIDIA Magpie TTS Multilingual 357M, адаптированная командой LocalAI для inference-движка magpie-tts.cpp.

3 385скачиваний за 30 дней1лайквеса обновлены24 июл 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

Модель распространяется в формате GGUF и предназначена для преобразования текста в монофоническую речь с частотой дискретизации 22,05 кГц без необходимости использовать Python, PyTorch, NeMo или CUDA Toolkit во время инференса. В каждый файл входят TTS-модель, декодер NanoCodec, токенизатор и словари G2P.

Модель поддерживает как минимум девять языков и их варианты: английский, испанский, немецкий, французский, итальянский, португальский (включая pt-BR), хинди, вьетнамский, корейский и арабский. Доступны пять голосов: Aria, Jason, John, Leo и Sofia. Китайский и японский языки пока не поддерживаются C++-токенизатором. Для запуска используются GGUF-файлы с разной точностью: от f32 до q4_k; рекомендуемым вариантом назван q8_0, который занимает около 624 МБ и обеспечивает примерно в 1,6 раза более быстрое декодирование по сравнению с f32. Меньшие варианты экономят память, но могут сильнее терять качество на сложных текстах.

Сильная сторона модели — полностью автономный локальный запуск на CPU и высокая производительность: в заявленном тесте f32-версия работала примерно в 66 раз быстрее эталонного конвейера NeMo на том же CPU. Ограничения включают фиксированный набор голосов и языков, отсутствие поддержки китайского и японского языков в текущем токенизаторе, а также возможное ухудшение качества при использовании q5_k и q4_k. Код инференса распространяется по лицензии MIT, а веса модели — по NVIDIA Open Model License.

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

magpie-tts.cpp GGUF

Brought to you by the LocalAI team, the folks behind LocalAI, the open-source AI engine that runs any model (LLMs, vision, voice, image, video) on any hardware, no GPU required.

Self-contained GGUF builds of NVIDIA's Magpie TTS Multilingual 357M for magpie-tts.cpp, a from-scratch C++17/ggml inference engine. Each file bundles the TTS model, the NanoCodec decoder, the tokenizer and the G2P dictionaries: one file, no Python, PyTorch, NeMo, or CUDA toolkit at inference.

5 voices (Aria, Jason, John, Leo, Sofia), 22.05 kHz mono, 9+ languages (en, es, de, fr, it, pt-BR, hi, vi, ko, ar variants; zh/ja not yet supported by the C++ tokenizer).

Files

FileSizeNotes
magpie-tts-multilingual-357m-f32.gguf1294 MBlossless, parity reference (teacher-forced replay max abs diff 3.6e-5 vs NeMo)
magpie-tts-multilingual-357m-f16.gguf784 MBASR round-trip exact
magpie-tts-multilingual-357m-q8_0.gguf624 MBrecommended; ASR round-trip exact, ~1.6x faster decode than f32
magpie-tts-multilingual-357m-q6_k.gguf584 MBASR round-trip exact
magpie-tts-multilingual-357m-q5_k.gguf562 MBASR round-trip exact on the smoke set; larger logit drift, expect degradation on hard material
magpie-tts-multilingual-357m-q4_k.gguf541 MBsmallest; same caveat as q5_k

Quantization is selective (only matmul weights; codec and embeddings stay f32). Full drift numbers and methodology: docs/quantization.md.

Usage

git clone --recursive https://github.com/mudler/magpie-tts.cpp
cd magpie-tts.cpp
cmake -B build -DCMAKE_BUILD_TYPE=Release && cmake --build build -j

./build/examples/cli/magpie-cli say \
  --model magpie-tts-multilingual-357m-q8_0.gguf \
  --text "Hello world!" --lang en --speaker Aria --output hello.wav

Performance

About 66x faster than the NeMo reference pipeline on the same CPU (Ryzen 9 9950X3D: 12.1 s vs 805.7 s for ~4 s of speech, f32). Honest methodology and caveats: benchmarks/BENCHMARK.md.

License

Inference code: MIT. Model weights (these GGUFs): NVIDIA Open Model License. Model and codec by NVIDIA (NeMo team).


Built by the LocalAI team. If you want to run text to speech (and LLMs, vision, voice, image, and video models) locally on any hardware with an OpenAI-compatible API, give LocalAI a star.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
97d1301

0 моделей