/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
CC BY-NC 4.0
Архитектура
omnivoice · dense
Базовая модель
OmniVoice
Библиотека
mlx
Опубликована
18 сен 2026

omnivoice-mlx-q8-fp16

Синтез речиТекст → аудио3 профессии

Квантованная MLX-версия OmniVoice для синтеза речи из текста на Apple Silicon с поддержкой клонирования и настройки голоса.

137скачиваний за 30 дней0лайковвеса обновлены18 сен 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

OmniVoice MLX Q8 FP16 — версия модели OmniVoice, подготовленная разработчиком remember2015 для запуска через MLX на Apple Silicon. Линейные слои Qwen3-кодировщика квантованы до int8 с размером группы 64, активации работают в fp16, а выходные головы кодовых книг оставлены в fp32. Репозиторий содержит веса в safetensors и токенизатор Qwen3; для работы также нужны веса аудиокодека из upstream, которые имеют отдельную лицензию и не включены в репозиторий.

Модель предназначена для синтеза речи из текста. По описанию базовой OmniVoice она поддерживает клонирование голоса и настройку его характеристик; в карточке указаны китайский и английский языки. Автор сообщает, что CER, сходство голосов и UTMOS не изменились относительно официального 32-шагового семплера. Опубликованная конфигурация занимает 829 МБ, а резидентное использование памяти с кодеком составляет 1,6 ГБ; приведённые замеры производительности относятся к конкретной системе M2 Max и не гарантируют такую же скорость на других устройствах. Модель распространяется по лицензии CC BY-NC 4.0, а лицензия весов кодека определяется отдельно.

Сценарии применения

  • синтез речи на китайском языке
  • синтез речи на английском языке
  • озвучивание текста пользовательским голосом
  • клонирование голоса по аудиореференсу
  • настройка характеристик синтезируемого голоса

Ограничения

Для генерации требуется отдельно получить веса аудиокодека из upstream; их лицензия отличается и в репозитории не приведена. Замеры скорости и памяти относятся к M2 Max и конкретной версии MLX, поэтому производительность на других устройствах может отличаться.

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

OmniVoice, int8 + fp16, for MLX

k2-fsa/OmniVoice converted for omnivoice-mlx, a torch-free MLX port for Apple silicon. The Qwen3 backbone's Linear layers are quantised to int8 with group size 64, and activations are fp16. The eight codebook output heads are left unquantised in fp32: quantising them buys no speed and costs naturalness (UTMOS 2.835 → 2.794). 829 MB, 1.6 GB resident with the codec.

sourceframeworkdeviceweightsactivationsstepsRTFnotes
officialtorchCPUfp32fp3232≈2–3
officialtorchMPSfp32fp32320.98
mlx-audioMLXGPUbf16bf16320.68
thisMLXGPUint8fp16320.381
thisMLXGPUint8fp16160.106default
thisMLXGPUint8fp16160.080batched B=4–8

CER, speaker similarity and UTMOS are unchanged from the official 32-step sampler. M2 Max 12-core CPU / 38-core GPU / 32 GB, macOS 26.6, MLX 0.32.2. Method, ablations and dead ends are in the port's research log (Chinese).

Use

pip install git+https://github.com/Remember2015/omnivoice-mlx
hf download remember2015/omnivoice-mlx-q8-fp16 --local-dir models/mlx-q8-fp16

The codec weights have their own licence and are not in this repository; take them from upstream:

hf download k2-fsa/OmniVoice --local-dir models/k2-fsa-OmniVoice
ln -s ../k2-fsa-OmniVoice/audio_tokenizer models/mlx-q8-fp16/audio_tokenizer
python -c "from omnivoice_mlx.codec import write_slim_decoder; write_slim_decoder('models/mlx-q8-fp16', 'float16')"

Decoding reads only that 44 MB branch; the full tokenizer is loaded when encoding a reference clip.

from omnivoice_mlx import OmniVoiceTTS

tts = OmniVoiceTTS("models/mlx-q8-fp16")
voice = tts.make_prompt("my-voice.wav", "exactly what that clip says.")
r = tts.generate("今天天气不错,我们出去走走吧。", voice)   # r.audio: float32 24 kHz, r.rtf

What is in here

filewhat
model.safetensorsint8 g64 backbone, fp16 activations, output heads in fp32
config.jsonupstream config plus dtype, head_dtype, quantization
tokenizer.json, tokenizer_config.jsonthe Qwen3 text tokenizer, unchanged from upstream

bf16, fp16 and fp32 builds are one minute of scripts/convert.py in the port's repository; only the recommended configuration is published here.

Licence

whatlicence
these filesCC-BY-NC-4.0, inherited from k2-fsa/OmniVoice; non-commercial, attribution required
the conversion codeApache-2.0, see omnivoice-mlx
Higgs codec weightsBoson Higgs Audio 2 Community License; not redistributed here, download from upstream as shown above

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
OmniVoice
Ревизия весов
dafe17a

0 моделей