/ Модель

Характеристики

Размер весов
4,6 ГБ
Лицензия
Apache 2.0
Базовая модель
VoxCPM2
Библиотека
litert
Опубликована
15 мая 2026

VoxCPM2-LiteRT-INT8

Синтез речиТекст → аудио3 профессии

soniqo/VoxCPM2-LiteRT-INT8 — мультиязычная модель синтеза речи (TTS), экспортированная компанией soniqo из базовой модели openbmb/VoxCPM2.

43скачиваний за 30 дней0лайковвеса обновлены18 мая 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

Она предназначена для серверной генерации речи и локального запуска на устройствах через LiteRT, включая интеграцию с speech-core и Android SDK. Модель поддерживает синтез текста, голосовой дизайн, клонирование голоса по референсной записи и расширенный режим клонирования с дополнительными аудио- и текстовыми подсказками.

Это диффузионно-авторегрессионная модель размером около 2 млрд параметров с выходом в формате моно PCM 48 кГц. Экспорт разделён на несколько графов LiteRT: текстовый префилл, авторегрессионный шаг генерации токенов, энкодер референсного аудио и аудиодекодер AudioVAE. Только граф token-step использует INT8-квантизацию весов; остальные компоненты работают в FP32 для сохранения качества. Внутренний цикл генерации, управление KV-кэшем и последовательностью шагов выполняются хост-приложением. Заявлена поддержка английского, китайского, индонезийского, японского и корейского языков, а также мультиязычного режима.

К сильным сторонам относятся выход студийного качества с частотой 48 кГц, естественный останов генерации, поддержка голосового дизайна и клонирования, а также возможность переносимого локального выполнения через LiteRT. Ограничения включают значительный размер файлов, зависимость от внешнего рантайма и необходимость управления графами и KV-кэшем на стороне хоста; количественные показатели качества и производительности в README не приведены. Модель распространяется по лицензии Apache-2.0. При клонировании голоса необходимо получить согласие владельца голоса и не использовать модель для незаконной имитации, дезинформации или мошенничества.

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

VoxCPM2 — LiteRT (INT8)

2 B-parameter multilingual TTS with voice cloning and voice design. 48 kHz output.

Part of the soniqo.audio speech toolkit — an open, runtime-portable stack for speech AI. This bundle is the LiteRT export, designed to plug into the abstract interfaces in speech-core (C++ voice-agent orchestration library). Browse all LiteRT bundles in the soniqo LiteRT collection.

Use cases on soniqo.audio

LiteRT export of openbmb/VoxCPM2 — a 2 B-parameter diffusion-autoregressive TTS with 48 kHz studio-quality output, reference-audio voice cloning, and natural-language voice design. Designed for server-side synthesis workers and on-device TTS through the speech-core TTSInterface.

Why split graphs

VoxCPM2 is not a single feed-forward model. The runtime loop is

text + optional instruction ──► text-prefill
                                      │
                                      ▼
                              repeated token-step
                                      │
                                      ▼
                              audio-decoder ──► 48 kHz PCM

The host owns the loop and the KV cache; LiteRT owns the static tensor programs. Same split used for Parakeet and Nemotron in this collection — LiteRT for the math, host for the control flow.

Files

FileSizeDescription
voxcpm2-text-prefill.tflite7.7 GBFP32 text + instruction prefill (MiniCPM-4 KV-cache producer)
voxcpm2-token-step.tflite2.0 GBINT8 weight-only autoregressive step (MiniCPM-4 + residual LM)
voxcpm2-audio-encoder.tflite184 MBFP32 reference-audio encoder (16 kHz → conditioning)
voxcpm2-audio-decoder.tflite175 MBFP32 AudioVAE decoder (acoustic tokens → 48 kHz PCM)
tokenizer.json / tokenizer_config.json / special_tokens_map.json—HF tokenizer bundle
generation_config.json / tokenization_voxcpm2.py—Generation defaults + tokenizer module
config.json—Tensor shapes, sample rates, files manifest

Quantization

  • token-step: INT8 weight-only (the only graph that runs in the inner generation loop — quantizing here is the biggest win).
  • text-prefill / audio-encoder / audio-decoder: stay FP32. Quantizing prefill caused semantic drift in roundtrip; the AudioVAE decoder is audible-risky under INT8.

Smoke result

30-step English roundtrip ("hello world from soniqo dot audio", instruction "clear neutral delivery"):

  • Stop token fired naturally at step 18 (decoder halted before the 30-step ceiling)
  • 138 240 samples × 48 kHz mono = 2.88 s
  • RMS 0.033, peak 0.44 — no clipping, real signal level
  • Output written to voxcpm2-litert-hello-world.wav

Modes

Mirrors the speech-swift VoxCPM2TTS mode matrix:

ModeInputs
Zero-shottext
Voice designtext + style instruction
Controllable cloningtext + reference audio
Ultimate cloningtext + reference audio + prompt audio + prompt text

For Apple Silicon, prefer the MLX bundles (bf16 / int8 / int4) consumed by speech-swift.

Source

Exported from openbmb/VoxCPM2 via a graph-split LiteRT conversion, run in a pinned Docker environment because LiteRT / Torch / TorchAO versions are tightly coupled.

Responsible use

Voice cloning is included. Users are responsible for obtaining consent for any voice that is cloned and for not using the model to impersonate individuals without permission, generate disinformation, or commit fraud.

Ecosystem

  • soniqo.audio — use-case explorer (transcription, voice cloning, live ASR, voice agents).
  • speech-core — C++ orchestration library for voice agents. Abstract STTInterface / TTSInterface / VADInterface / EnhancerInterface; LiteRT implementations plug straight into the interfaces.
  • speech-swift — Apple Silicon MLX companion runtime (model-specific MLX bundles linked above where applicable).
  • speech-android — Android SDK consuming on-device LiteRT bundles.

Other LiteRT models in this collection

ASR / Transcription

VAD / Diarization

License

This bundle inherits the upstream model license (apache-2.0). See the linked base_model repository for the full terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · litert

Нельзя запустить

Библиотека «litert» рантаймом не поддерживается.

Ревизия весов
9ec65a0

0 моделей