/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
sopro
Опубликована
25 авг 2026

sopro-v2-turbo

Синтез речиТекст → аудио3 профессии

Компактная модель Sopro для потокового синтеза речи и клонирования голоса на четырёх европейских языках.

38 433скачиваний за 30 дней53лайкавеса обновлены6 окт 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

Sopro-v2-turbo — компактная модель синтеза речи с клонированием голоса из семейства Sopro, опубликованная Samuel Vitorino. Модель содержит 120 млн параметров и распространяется под лицензией Apache-2.0. Репозиторий содержит веса в формате safetensors; для запуска требуются актуальные версии библиотеки sopro или браузерного ONNX-рантайма Sopro.

Модель преобразует текст в речь на английском, европейском португальском, французском и немецком языках. Она поддерживает потоковую генерацию и zero-shot клонирование голоса по 5–20 секундам образца аудио; также предусмотрен запуск на CPU ноутбука и в браузере. По данным карточки, задержка до первого аудио в потоковом режиме составляет около 300 мс на CPU ноутбука.

К ограничениям относятся ошибки произношения некоторых сокращений, чисел и символов, а также слабая работа с текстом, смешивающим языки. Потоковый режим может уступать офлайн-режиму по качеству, а мобильная браузерная версия использует квантизацию и может давать худший результат или аварийно завершаться на устройствах с малым объёмом памяти. Веса не снабжены водяными знаками; разработчики просят не использовать клонирование для выдачи себя за других людей.

Сценарии применения

  • озвучивание текста на английском, португальском, французском и немецком языках
  • потоковая генерация речи с низкой задержкой
  • клонирование голоса по короткому аудиообразцу
  • синтез речи на CPU ноутбука
  • озвучивание текста в браузере

Ограничения

Сокращения, числа, символы и смешение языков могут произноситься неверно; потоковый режим может уступать офлайн-режиму по качеству. Мобильная браузерная версия может давать более слабые результаты или аварийно завершаться на устройствах с малым объёмом памяти.

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

Sopro TTS

Blog GitHub ONNX Demo

Compatibility: Current model artifacts require sopro>=2.2.0 or @soprotts/onnx-web>=0.3.0; upgrade with pip install -U sopro or npm install @soprotts/onnx-web@latest.

Sopro (from the Portuguese word for "breath/blow") is a lightweight voice-cloning text-to-speech model family. This repo ships sopro-v2-turbo, a 120M-parameter open model that streams, runs comfortably on a laptop CPU or in the browser, and reaches SOTA-level intelligibility against much larger systems. The full story, evaluations, and audio samples are in the blog post.

Main features:

  • 120M parameters
  • English, European Portuguese, French, and German
  • Streaming with ~300 ms time-to-first-audio on a laptop CPU
  • Zero-shot voice cloning from 5-20 seconds of reference audio
  • 0.24 RTF offline / 0.21 RTF streaming on an M3 CPU, 0.07 RTF on an H100
  • Runs in the browser via an ONNX runtime

Local demo

Run the model and open the demo with one command:

uvx --from sopro soprotts serve

If Sopro is already installed:

soprotts serve

Then navigate to http://localhost:7860. The model downloads on first use and stays in the Hugging Face cache. Sopro selects CUDA or CPU automatically and defaults to CPU on macOS (pass --device mps explicitly to use MPS). Use soprotts serve --help for model, device, port, and CPU int8 options.

Browser demo

There is also a fully in-browser demo with no server involved: https://samuel-vitorino.github.io/sopro/. On mobile the model is quantized, so results can be slightly below the local demo, and devices with low memory may crash. The dependency-isolated ONNX runtime and exporter are documented in web/README.md. Both demos use the frontend in demos/web.


Installation

From PyPI

pip install -U sopro

From the repo

git clone https://github.com/samuel-vitorino/sopro
cd sopro
pip install -e .

Examples

CLI

soprotts "Sopro is a lightweight 120 million parameter text-to-speech model that streams and runs on device." --ref ref.wav --out out.wav

Add --stream for the streaming path. You have the expected --temperature, --top-p, and --top-k parameters, alongside:

  • --lang (en, pt, fr, de; optional, helps pronunciation on ambiguous text)
  • --int8 (int8 AR weights on CPU)
  • --steps (acoustic solver steps; default 2)
  • --max-seconds (cap per generated segment; long text is split into segments, so total length is unbounded)

Python

Non-streaming

from sopro import SoproTTS

tts = SoproTTS.from_pretrained("samuel-vitorino/sopro-v2-turbo", device="cpu")

wav = tts.synthesize(
    "Hello! This is a non-streaming Sopro TTS example.",
    ref_audio_path="ref.wav",
)

tts.save_wav("out.wav", wav)

Streaming

import torch
from sopro import SoproTTS

tts = SoproTTS.from_pretrained("samuel-vitorino/sopro-v2-turbo", device="cpu")

chunks = []
for chunk in tts.stream(
    "Hello! This is a streaming Sopro TTS example.",
    ref_audio_path="ref.mp3",
):
    chunks.append(chunk.cpu())

wav = torch.cat(chunks, dim=-1)
tts.save_wav("out_stream.wav", wav)

You can also precalculate the reference to reduce time-to-first-audio:

import torch
from sopro import SoproTTS

tts = SoproTTS.from_pretrained("samuel-vitorino/sopro-v2-turbo", device="cpu")

ref = tts.prepare_reference(ref_audio_path="ref.mp3", stream=True)

chunks = []
for chunk in tts.stream(
    "Hello! This is a streaming Sopro TTS example.",
    ref=ref,
):
    chunks.append(chunk.cpu())

wav = torch.cat(chunks, dim=-1)
tts.save_wav("out_stream.wav", wav)

Disclaimers

  • We did not add watermarking: with an open-source inference pipeline it would be trivial to remove, so it would only provide a false sense of safety. Please use the model for good: do not impersonate people.
  • The text frontend is deliberately minimal, so some abbreviations, numbers, and symbols may not be pronounced correctly. Prefer words: 1 + 2 should be written one plus two. That said, Sopro generally reads common abbreviations like "CPU" or "TTS" fine, and you can put a language-specific normalizer in front of it.
  • Mixed-language text is a weak spot: words from one language inside a sentence of another (an English product name in a Portuguese sentence, for example) can be mispronounced.
  • The streaming path (chunked attention and the causal vocoder) is not bit-exact with the offline path. For best quality, prefer the offline path.
  • We are not planning to release the training code in the near future due to its complexity.

Training data


Acknowledgements

Как запустить

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

GPU в ailist

Универсальный рантайм · sopro

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
c12d0dc

0 моделей