/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
MiniMax-H3
Библиотека
audio.cpp
Опубликована
18 авг 2026

audio.cpp-gguf-fork

Синтез речиТекст → аудио3 профессии

saxyZ/audio.cpp-gguf-fork — это набор нативных конвертаций аудиомоделей в формате GGUF для проекта audio.cpp.

2 089скачиваний за 30 дней0лайковвеса обновлены18 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

Пакет не представляет собой одну модель: он объединяет веса множества базовых моделей, включая ACE-Step, Chatterbox, Fish Audio S2 Pro, Fun-ASR, Higgs Audio, IndexTTS, Irodori-TTS, Qwen3-TTS и ASR-модели. Разработчик самого набора в README явно не указан; конвертации предназначены для использования с audio.cpp.

Модели охватывают широкий спектр аудиозадач: синтез речи и преобразование голоса, генерацию текста в аудио, автоматическое распознавание речи, разделение источников, диаризацию говорящих, музыкальную генерацию и обработку аудио. Доступны варианты с исходной точностью, F16 или BF16, а также квантованные версии Q8_0. Архитектура, число параметров, поддерживаемые языки и размер контекста зависят от конкретной базовой модели и для набора в целом не определены.

Сильная сторона пакета — унифицированное представление GGUF и возможность локального запуска различных аудиомоделей через audio.cpp. README предупреждает, что автоматические проверки могут выявлять расхождения по длине, log-mel-признакам или транскрипции, даже если результат приемлем для слуха; совместимость и качество следует проверять для конкретного файла, backend и сценария. Лицензия указана как other, при этом лицензии отдельных исходных моделей различаются и включают MIT, Apache-2.0, CC-BY-4.0, CC-BY-NC-4.0 и другие, поэтому условия использования необходимо уточнять для выбранной модели.

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

audio.cpp GGUF Model Packages

This directory contains audio.cpp-native GGUF conversions of multiple speech models. These files are intended for use with audio.cpp.

For conversion details, supported layouts, direct-file loading, sidecar embedding, and the latest compatibility notes, see the audio.cpp GGUF guide:

!!! Automated audio checks are intentionally strict and may flag length, log-mel, or transcript drift that can still sound acceptable to human listeners. Validate the exact file, backend, and route you plan to use. These converted weights are provided as-is; use them at your own risk.

Files

Tested summarizes the current audio.cpp path-test status. See the GGUF guide above for the full matrix and drift notes.

DirectoryFilesaudio.cpp familyTestedOriginal model license
ACE-Step1.5-GGUFbase/ace-step-1.5-base-bf16.gguf, base/ace-step-1.5-base-q8_0.gguf, turbo/ace-step-1.5-turbo-bf16.gguf, turbo/ace-step-1.5-turbo-q8_0.gguface_step16-bit + Q8 driftMIT
BS-RoFormer-ep368-GGUFbs-roformer-ep368-q8_0.ggufbs_roformerQ8 passApache-2.0
Chatterbox-GGUFchatterbox-f16.gguf, chatterbox-q8_0.ggufchatterbox16-bit + Q8 ASR-match driftMIT
Citrinet-ASR-GGUFcitrinet-asr-q8_0.ggufcitrinet_asrQ8 passCC-BY-4.0
Confucius4-TTS-GGUFconfucius4-tts-orig.ggufconfucius4_ttsorig passApache-2.0
DotTTS-MF-GGUFdots-tts-mf-bf16.ggufdots_ttsexperimentalApache-2.0
DotTTS-SOAR-GGUFdots-tts-soar-orig.gguf, dots-tts-soar-bf16.ggufdots_ttsexperimentalApache-2.0
DramaBox-GGUFdramabox-q8_0.ggufdramaboxQ8 passLTX-2 Community License
Fish-Audio-S2-Pro-GGUFfish-audio-s2-pro-bf16.gguf, fish-audio-s2-pro-q8_0.gguffish_audio16-bit + Q8 passFish Audio Research License
Fun-ASR-Nano-2512-GGUFfun-asr-nano-2512-f16.gguf, fun-asr-nano-2512-q8_0.gguffun_asr_nano16-bit + Q8 passFunASR Model Open Source License Agreement v1.1
HeartMuLa-GGUFheartmula-f16.gguf, heartmula-q8_0.ggufheartmula16-bit + Q8 driftApache-2.0
HTDemucs-GGUFhtdemucs-f16.gguf, htdemucs-q8_0.ggufhtdemucs16-bit pass, Q8 driftMIT
Higgs-Audio-v3-STT-GGUFhiggs-audio-v3-stt-f16.gguf, higgs-audio-v3-stt-q8_0.ggufhiggs_audio_stt16-bit + Q8 passApache-2.0
Higgs-Audio-v3-TTS-4B-GGUFhiggs-audio-v3-tts-4b-bf16.gguf, higgs-audio-v3-tts-4b-q8_0.ggufhiggs_audio_tts16-bit + Q8 passBoson Higgs TTS 3 Research and Non-Commercial License
Hviske-v5.3-GGUFhviske-v5.3-q8_0.ggufhviske_asrQ8 passCC-BY-NC-4.0
IndexTTS2-GGUFindex-tts2-orig.gguf, index-tts2-f16.gguf, index-tts2-q8_0.ggufindex_tts2orig + 16-bit pass/drift, Q8 ASR-match driftbilibili Model Use License Agreement
IndexTTS2.5-GGUFindex-tts2_5-orig.gguf, index-tts2_5-f16.gguf, index-tts2_5-q8_0.ggufindex_tts2self-contained smoke pass; Q8/F16/orig CUDA load + synthesizebilibili Model Use License Agreement
Inflect-Micro-v2-GGUFinflect-micro-v2-orig.ggufinflect_v2orig passApache-2.0
Irodori-TTS-500M-v3-GGUFirodori-tts-500m-v3-f16.gguf, irodori-tts-500m-v3-q8_0.ggufirodori_tts16-bit pass, Q8 driftMIT
Irodori-TTS-600M-v3-VoiceDesign-GGUFirodori-tts-600m-v3-voicedesign-f16.gguf, irodori-tts-600m-v3-voicedesign-q8_0.ggufirodori_tts16-bit pass, Q8 driftMIT
Irodori-TTS-v4-Small-GGUFirodori-tts-v4-small-f16.gguf, irodori-tts-v4-small-q8_0.ggufirodori_ttsv4.1 checkpoint, 16-bit + Q8 passMIT
Kroko-ASR-GGUFkroko-en-community-64-l-q8_0.ggufkroko_asrQ8 passCC-BY-SA community model license
MOSS-TTS-Local-v1.5-GGUFmoss-tts-local-v1.5-bf16.gguf, moss-tts-local-v1.5-q8_0.ggufmoss_tts_local16-bit pass, Q8 ASR-match driftApache-2.0
MOSS-TTS-Nano-100M-GGUFmoss-tts-nano-100m-bf16.gguf, moss-tts-nano-100m-q8_0.ggufmoss_tts_nano16-bit pass, Q8 ASR-match driftApache-2.0
MagpieTTS-Multilingual-357M-GGUFmagpie-tts-multilingual-357m-orig.ggufmagpie_ttsexperimentalNVIDIA Open Model License
Mel-Band-RoFormer-GGUFmel-band-roformer-f16.gguf, mel-band-roformer-q8_0.ggufmel_band_roformer16-bit + Q8 driftMIT
MioCodec-25Hz-44.1kHz-v2-GGUFmiocodec-25hz-44khz-v2-orig.gguf, miocodec-25hz-44khz-v2-f16.gguf, miocodec-25hz-44khz-v2-q8_0.ggufmiocodecorig pass, 16-bit + Q8 driftMIT
MioTTS-1.7B-GGUFmiotts-1.7b-orig.gguf, miotts-1.7b-bf16.gguf, miotts-1.7b-q8_0.ggufmiottsorig pass, 16-bit drift, Q8 ASR-match driftApache-2.0
MuScriptor-Small-GGUFmuscriptor-small-f32.ggufmuscriptorF32 passCC-BY-NC-4.0
Nemotron-3.5-ASR-Streaming-0.6B-GGUFnemotron-3.5-asr-streaming-0.6b-f16.gguf, nemotron-3.5-asr-streaming-0.6b-q8_0.ggufnemotron_asr16-bit pass, Q8 minor filler driftOpenMDW-1.1
OmniVoice-GGUFomnivoice-bf16.gguf, omnivoice-f16.gguf, omnivoice-q8_0.ggufomnivoice16-bit + Q8 driftApache-2.0
Parakeet-TDT-0.6B-v3-GGUFparakeet-tdt-0.6b-v3-f16.gguf, parakeet-tdt-0.6b-v3-q8_0.ggufparakeet_tdt16-bit + Q8 passCC-BY-4.0
PocketTTS-GGUFenglish/, german/, italian/, portuguese/, spanish/ each contain bf16 and q8_0 GGUFspocket_tts16-bit pass, Q8 driftCC-BY-4.0
Qwen3-ASR-0.6B-GGUFqwen3-asr-0.6b-f16.gguf, qwen3-asr-0.6b-q8_0.ggufqwen3_asr16-bit + Q8 passApache-2.0
Qwen3-ASR-1.7B-GGUFqwen3-asr-1.7b-f16.gguf, qwen3-asr-1.7b-q8_0.ggufqwen3_asr16-bit + Q8 passApache-2.0
Qwen3-ForcedAligner-0.6B-GGUFqwen3-forced-aligner-0.6b-f16.gguf, qwen3-forced-aligner-0.6b-q8_0.ggufqwen3_forced_aligner16-bit + Q8 passApache-2.0
Qwen3-TTS-12Hz-0.6B-Base-GGUFqwen3-tts-12hz-0.6b-base-bf16.gguf, qwen3-tts-12hz-0.6b-base-q8_0.ggufqwen3_ttsBF16 exact vs safetensors, Q8 ASR-match driftApache-2.0
Qwen3-TTS-12Hz-1.7B-Base-GGUFqwen3-tts-12hz-1.7b-base-orig.gguf, qwen3-tts-12hz-1.7b-base-bf16.gguf, qwen3-tts-12hz-1.7b-base-q8_0_v2.ggufqwen3_ttsorig pass, 16-bit + Q8 ASR-match driftApache-2.0
Qwen3-TTS-12Hz-1.7B-CustomVoice-GGUFqwen3-tts-12hz-1.7b-customvoice-bf16.gguf, qwen3-tts-12hz-1.7b-customvoice-q8_0.ggufqwen3_tts16-bit + Q8 ASR-match driftApache-2.0
Qwen3-TTS-12Hz-1.7B-VoiceDesign-GGUFqwen3-tts-12hz-1.7b-voicedesign-bf16.gguf, qwen3-tts-12hz-1.7b-voicedesign-q8_0.ggufqwen3_tts16-bit + Q8 ASR-match driftApache-2.0
RVC-GGUFrvc-f16.ggufrvcF16 passMIT
SeedVC-MLX-GGUFseed-vc-mlx-orig.gguf, seed-vc-mlx-f16.gguf, seed-vc-mlx-q8_0.ggufseed_vc16-bit + Q8 driftGPL-3.0
Sortformer-Diar-4spk-v1-GGUFsortformer-diar-4spk-v1-f16.gguf, sortformer-diar-4spk-v1-q8_0.ggufsortformer_diar16-bit + Q8 passCC-BY-NC-4.0
Stable-Audio-3-Medium-GGUFstable-audio-3-medium-f16.gguf, stable-audio-3-medium-q8_0.ggufstable_audio16-bit + Q8 driftStability AI Community License
Stable-Audio-3-Small-Music-GGUFstable-audio-3-small-music-f16.gguf, stable-audio-3-small-music-q8_0.ggufstable_audio16-bit + Q8 driftStability AI Community License
Stable-Audio-3-Small-SFX-GGUFstable-audio-3-small-sfx-f16.gguf, stable-audio-3-small-sfx-q8_0.ggufstable_audio16-bit + Q8 driftStability AI Community License
Supertonic-3-GGUFsupertonic-3-orig.gguf, supertonic-3-f16.gguf, supertonic-3-q8_0.ggufsupertonicF32/orig pass; f16 not tested; Q8 unsupported dtypeBigScience Open RAIL-M
Vevo2-GGUFvevo2-orig.gguf, vevo2-f16.gguf, vevo2-q8_0.ggufvevo2orig + 16-bit pass/drift; Q8 mixed route driftCC-BY-NC-ND-4.0
VibeVoice-1.5B-GGUFvibevoice-1.5b-bf16.gguf, vibevoice-1.5b-q8_0.gguf, vibevoice-1.5b-q4-ios.ggufvibevoice16-bit pass, Q8 driftMIT
VibeVoice-ASR-GGUFvibevoice-asr-f16.gguf, vibevoice-asr-q8_0.ggufvibevoice_asr16-bit + Q8 passMIT
VoxCPM2-GGUFvoxcpm2-orig.gguf, voxcpm2-bf16.gguf, voxcpm2-q8_0.ggufvoxcpm2orig pass, 16-bit + Q8 ASR-match driftApache-2.0
Voxtral-Mini-4B-Realtime-2602-GGUFvoxtral-mini-4b-realtime-2602-bf16.gguf, voxtral-mini-4b-realtime-2602-q8_0.gguf, voxtral-mini-4b-realtime-2602-q4_k.ggufvoxtral_realtime16-bit + Q8 pass; Q4_K quick check passedApache-2.0

Q8 Notes

  • Chatterbox Q8 is intentionally mixed type. Graph-sensitive scalar, norm, bias, and side tensors stay in non-Q8 types while matmul-compatible weights are quantized.
  • PocketTTS Q8 keeps the four flow_lm.flow_net.time_embed.*.mlp.{0,2}.weight tensors in Q8 in addition to the default converter selection. conditioner.embed, cond_embed, and Mimi conv tensors are not forced to Q8 because tested outputs drifted or the current conv path casts quantized conv weights back to F32.
  • Voxtral Q4_K is smaller than Q8_0 and was faster in a quick CUDA path check, with transcripts matching Q8_0 except for one capitalization-only difference.

Usage

Pass a GGUF file directly as --model:

audiocpp_cli --task tts --family supertonic --model Supertonic-3-GGUF/supertonic-3-orig.gguf --backend cuda --language en --text "Hello." --voice-id M1 --out out.wav

For ASR:

audiocpp_cli --task asr --family qwen3_asr --model Qwen3-ASR-0.6B-GGUF/qwen3-asr-0.6b-f16.gguf --backend cuda --audio speech.wav --text "" --text-out transcript.txt

License

Each GGUF file is a converted form of its original model. Use and redistribution are governed by the corresponding original model license listed above. Please review the original model card and license terms before using or redistributing any converted weights.

Как запустить

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

GPU в ailist

Универсальный рантайм · audio.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
b6868b4

0 моделей