/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
s2-pro
Опубликована
17 мар 2026

s2-pro-gguf

Синтез речиТекст → аудио3 профессии

rodrigomt/s2-pro-gguf — это GGUF-квантизированная версия модели Fish Audio S2 Pro, подготовленная сообществом rodrigomt для локального запуска через ранний экспериментальный движок s2.cpp.

42 401скачиваний за 30 дней75лайковвеса обновлены21 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

Модель предназначена для многоязычного синтеза речи по тексту и клонирования голоса по короткой записи-образцу. Она подходит для исследовательских и некоммерческих сценариев локального TTS, когда требуется работа без зависимости от Python.

S2 Pro использует архитектуру Dual-AR примерно на 4,56 млрд параметров: 36-слойный Slow-AR на базе Qwen3 с GQA, RoPE и постоянным KV-кэшем, а также 4-слойный Fast-AR, генерирующий 10 акустических токенов на каждый семантический шаг. В состав также входит аудиокодек с 10 кодовыми книгами по 4096 элементов. Репозиторий содержит варианты с разной степенью квантования — от F16 размером 9,3 ГБ до Q2_K размером 2,4 ГБ; все GGUF-файлы включают веса трансформера и аудиокодек. Поддерживаются GPU с Vulkan и запуск на CPU при наличии достаточного объёма оперативной памяти, однако более сильное квантование снижает качество, а CPU-режим работает медленно.

Для клонирования голоса рекомендуется чистая запись длительностью 5–30 секунд в формате WAV или MP3 вместе с её расшифровкой. Основные ограничения связаны с экспериментальным статусом s2.cpp: движок находится на ранней стадии, возможны несовместимые изменения, и он не рекомендован для промышленной эксплуатации. Веса распространяются по Fish Audio Research License: бесплатное использование разрешено для исследований и некоммерческих целей, а коммерческое применение требует отдельной лицензии Fish Audio.

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

S2 Pro — GGUF

ALPHA — EXPERIMENTAL The inference engine (s2.cpp) is an early-stage, community-built project. Expect rough edges and breaking changes. Not production-ready.

GGUF-quantized weights of Fish Audio S2 Pro, a high-quality multilingual text-to-speech model with voice cloning support, packaged for local inference with s2.cpp — a pure C++/GGML engine with no Python dependency.

License: Fish Audio Research License — free for research and non-commercial use. Commercial use requires a separate license from Fish Audio. See LICENSE.md and fish.audio.


Files

FileSize
s2-pro-f16.gguf9.3 GB
s2-pro-q8_0.gguf5.3 GB
s2-pro-q6_k.gguf4.3 GB
s2-pro-q5_k_m.gguf3.8 GB
s2-pro-q4_k_m.gguf3.4 GB
s2-pro-q3_k.gguf2.9 GB
s2-pro-q2_k.gguf2.4 GB
tokenizer.json12 MB

All GGUF files contain both the transformer weights and the audio codec in a single file.


Requirements

  • GPU with Vulkan support (AMD/NVIDIA/Intel) or CPU with enough RAM
  • s2.cpp built from source (C++17 + CMake)

VRAM guide

VRAMRecommended
≥ 8 GBq8_0
6–8 GBq6_k
4–6 GBq5_k_m
3–4 GBq4_k_m
< 3 GBq3_k / q2_k (quality degrades)
CPU onlyq4_k_m or lower (slow)

Quick start

# Clone and build s2.cpp
git clone --recurse-submodules https://github.com/rodrigomatta/s2.cpp.git
cd s2.cpp
cmake -B build -DCMAKE_BUILD_TYPE=Release -DS2_VULKAN=ON
cmake --build build --parallel $(nproc)

# Download model files (example with huggingface-cli)
huggingface-cli download rodrigomt/s2-pro-gguf s2-pro-q6_k.gguf tokenizer.json --local-dir .

# Synthesize
./build/s2 \
  -m s2-pro-q6_k.gguf \
  -t tokenizer.json \
  -text "Hello, this is a test." \
  -v 0 \
  -o output.wav

Voice cloning

./build/s2 \
  -m s2-pro-q6_k.gguf \
  -t tokenizer.json \
  -pa reference.wav \
  -pt "Transcript of the reference audio." \
  -text "Text to synthesize in that voice." \
  -v 0 \
  -o output.wav

Reference audio: 5–30 seconds, clean recording, WAV or MP3.


Quantization

The GGUF files in this repository were re-quantized using a modified llama-quantize tool with improved quantization routines.


Model architecture

S2 Pro uses a Dual-AR architecture (~4.56B parameters total):

  • Slow-AR — 36-layer Qwen3 transformer (4.13B params), GQA (32 heads / 8 KV heads), RoPE 1M base, persistent KV cache
  • Fast-AR — 4-layer transformer (0.42B params) generating 10 acoustic codebook tokens per semantic step
  • Audio codec — convolutional RVQ encoder/decoder (10 codebooks × 4096 entries)

License

The model weights are licensed under the Fish Audio Research License.

  • Research and non-commercial use: free under this license
  • Commercial use: requires a separate written license from Fish Audio

Attribution: "This model is licensed under the Fish Audio Research License, Copyright © 39 AI, INC. All Rights Reserved."

Full terms: LICENSE.md · Commercial: fish.audio · business@fish.audio

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
a732069

0 моделей