/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
arktts · dense
Базовая модель
Audio8-TTS-Preview-0.6b
Опубликована
1 авг 2026

warble

Генерация текстаТекст → текст

Warble — дообученная модель ScrappyLabs для локального синтеза английской речи одним из пяти встроенных голосов.

29скачиваний за 30 дней4лайкавеса обновлены1 авг 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

Warble — модель синтеза речи от ScrappyLabs с пятью встроенными голосами: Silas, Narrator, Clara, Pip и Nova. Она дообучена на Audio8/Audio8-TTS-Preview-0.6b, компактной модели семейства ArkTTS с 0,6 млрд параметров, и упакована для локального запуска. Чтобы выбрать голос, перед текстом указывают соответствующий токен; референсное аудио не требуется.

Модель предназначена для преобразования текста в речь в приложениях, где важны готовые голосовые варианты и автономная работа: она запускается на ноутбуках и устройствах Apple Silicon, включая чипы телефонного класса. Для Apple Silicon доступна сборка MLX с 4-битной квантизацией; также репозиторий содержит веса в формате safetensors. Карточка указывает английский язык.

Голоса разработаны ScrappyLabs с нуля и, по заявлению авторов, не клонируют реальных людей. В 4-битной сборке голосовое сходство немного снижается, особенно у Silas и Clara; для более точного звучания README рекомендует полную точность. Базовая модель является предварительной версией, поэтому возможны отдельные дефекты генерации. Лицензия — Apache-2.0.

Сценарии применения

  • озвучивание английского текста голосом рассказчика
  • генерация речи для локальных приложений без облачного сервиса
  • озвучивание интерфейсов на устройствах Apple Silicon
  • выбор готового голоса без предоставления референсного аудио

Ограничения

4-битная сборка немного снижает сходство голосов, особенно Silas и Clara; базовая модель предварительная, поэтому возможны дефекты генерации. Данные об обучении базовой модели не документированы.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Warble 🐦

Five warm, ready-to-use voices you can run anywhere — even on your phone. Free.

Warble is a small gift from ScrappyLabs. It's five named voices living in one tiny model: just say which one you want and it talks — no reference clip, no cloud, no account, no meter. It runs on a laptop in real time, and it runs on an Apple-Silicon phone-class chip too.

Credit where it's due

Warble is built entirely on Audio8/Audio8-TTS-Preview-0.6b by the Audio8 team (Apache-2.0). The clever part — a capable 0.6B text-to-speech model — is theirs. All we did was train a few voices we liked onto it and package it so it's easy to run. If you like Warble, go star their work first; none of this exists without them.

The voices

Pick a voice by putting its token at the front of your text. No reference audio needed.

tokenvoicecharacter
<|speaker:1|>Silasdeep, gravelled, movie-trailer weight
<|speaker:2|>Narratoreven, warm, broadcast baritone
<|speaker:3|>Claraclear, professional, friendly
<|speaker:4|>Pipbright, light, quick
<|speaker:5|>Novaconfident morning-radio energy

Samples for each are in samples/.

Use it

from transformers import AutoProcessor, AutoModel
import torch, soundfile as sf

model_id = "scrappylabsai/warble"
proc  = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
model = AutoModel.from_pretrained(model_id, trust_remote_code=True, dtype=torch.bfloat16).to("cuda").eval()

text = "<|speaker:2|>Hi there. This is Warble, running right here on your own machine."
inputs = proc(text=[text], return_tensors="pt")
inputs = {k: (v.to("cuda") if hasattr(v, "to") else v) for k, v in inputs.items()}
wavs, lens, _ = model.generate_audio(**inputs, max_new_tokens=1024)
sf.write("out.wav", wavs[0][:int(lens[0])].float().cpu().numpy(), 44100)

On a Mac / phone: an MLX 4-bit build is included — it runs on Apple Silicon, including phone-class chips, in about the memory a couple of browser tabs use.

Honest notes

  • Our voices are consent-first. Silas, Narrator, Clara, Pip, and Nova were designed by us from scratch — not cloned from any real person, not scraped from anyone. We can't make that claim about the base model's own training data (that's Audio8's and undocumented), so we won't — but the five voices we're handing you are entirely our own.
  • The MLX 4-bit build trades a little voice-likeness for size; Silas and Clara soften the most there. Use the full-precision model if you want them exactly right.
  • It's a preview-generation base model, so expect the occasional rough edge.

License

Apache-2.0, matching the base. Use it for anything, including commercial work. No strings.


Made by ScrappyLabs. We make things work, and better. This one's on the house. 🛠️

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
ArkttsModel
Ревизия весов
25f9120

0 моделей