/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,3 млрд
Лицензия
MIT
Архитектура
llama · dense
Базовая модель
svara-tts-v1
Опубликована
28 июл 2026

svara-tts-v1-bf16

Синтез речиТекст → аудио3 профессии

Версия Svara-TTS в bfloat16 для синтеза речи из текста на индийских языках и индийском английском с меньшими требованиями к видеопамяти.

9скачиваний за 30 дней0лайковвеса обновлены28 июл 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

tidelganesh/svara-tts-v1-bf16 — конвертированная версия модели Svara-TTS от Kenpath для преобразования текста в речь. Модель основана на плотной архитектуре Llama, содержит 3,3 млрд параметров и сохранена в формате safetensors с точностью bfloat16. Она предназначена для самостоятельного развёртывания сервера синтеза речи; серверный интерфейс выдаёт монофонический PCM16 с частотой 24 кГц.

Базовая Svara-TTS рассчитана на 18 индийских языков и индийский вариант английского. По README, версия bfloat16 примерно вдвое снижает потребление видеопамяти и повышает пропускную способность относительно fp32; автор заявляет отсутствие заметного ухудшения качества. Для работы описаны CUDA 11.8 или новее, PyTorch 2.3 или новее и Transformers 4.45 или новее; для видеокарт с ограниченной памятью рекомендуется Flash Attention 2. Репозиторий распространяется по лицензии MIT.

Это преобразование точности и формата весов исходной модели, а не дообучение или квантизация. В комплект также входят пользовательский код модели и связанные файлы upstream-репозитория; их актуальность зависит от синхронизации с базовой моделью. README не описывает отдельные механизмы управления голосом или конкретные ограничения по входному тексту.

Сценарии применения

  • синтез речи на индийских языках
  • озвучивание текста на индийском английском
  • развёртывание собственного API синтеза речи
  • генерация монофонического аудио PCM16 с частотой 24 кГц

Ограничения

Для запуска нужны совместимые CUDA, PyTorch и Transformers; README рекомендует GPU с видеопамятью от 24 ГБ и Flash Attention 2. Пользовательский код модели скопирован из upstream-репозитория и может потребовать обновления при изменениях базовой 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

tidelganesh/svara-tts-v1-bf16

bf16 re-upload of kenpath/svara-tts-v1. Weights cast from the original fp32/fp16 checkpoint to bfloat16; no quantization-aware training, no calibration. Quality is lossless relative to the upstream model.

Why bf16

fp32 (upstream)bf16 (this repo)
VRAM~32 GB~16 GB
Throughput vs fp321.0×~1.8–2.2× on Ampere/Ada/Hopper
Qualitybaselineindistinguishable
Bitsandbytes / calibrationn/anot required

bf16 is the sweet spot for serving TTS on a single 24 GB+ GPU. If you need to push VRAM further, see the int8 sister repo.

Hardware

GPUbf16 fitNotes
A100 40/80 GB✅ comfortablebest throughput
A40 48 GB✅ very comfortableplenty of headroom for concurrency
L4 24 GB✅ tightuse attn_implementation="flash_attention_2"
RTX 4090 24 GB✅ tightsame
T4 16 GB❌use int8 instead
RTX 3090 24 GB⚠️may OOM on long contexts; use int8

Software: CUDA ≥ 11.8, PyTorch ≥ 2.3, transformers >= 4.45, accelerate, flash-attn (strongly recommended).

Usage

import torch
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained(
    "tidelganesh/svara-tts-v1-bf16",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
    device_map="cuda",
    attn_implementation="flash_attention_2",
)
tokenizer = AutoTokenizer.from_pretrained(
    "tidelganesh/svara-tts-v1-bf16",
    trust_remote_code=True,
)

trust_remote_code=True is required because the upstream model ships custom modeling code in modeling_svara.py.

Serving

This repo is intended to back a self-hosted Svara-TTS FastAPI server. Point the server's model loader at this repo instead of the upstream one:

- model = AutoModel.from_pretrained("kenpath/svara-tts-v1", trust_remote_code=True)
+ model = AutoModel.from_pretrained(
+     "tidelganesh/svara-tts-v1-bf16",
+     trust_remote_code=True,
+     torch_dtype=torch.bfloat16,
+     device_map="cuda",
+     attn_implementation="flash_attention_2",
+ )

Server contract (POST /v1/text-to-speech, 24 kHz PCM16 mono) is unchanged.

How it was made

pip install -U "transformers>=4.45" accelerate "huggingface_hub[cli]" hf_transfer
pip install -U flash-attn --no-build-isolation
export HF_HUB_ENABLE_HF_TRANSFER=1
huggingface-cli login
export HF_TOKEN=hf_xxx...

python backend/quantize_and_push_svara.py   # ~10–20 min on A40
python backend/verify_svara_bf16.py         # round-trip check

The script:

  1. Loads kenpath/svara-tts-v1 in bf16 with Flash-Attention 2.
  2. Casts any stray fp32 parameters (custom code occasionally re-introduces them) back to bf16.
  3. Asserts every parameter is bfloat16.
  4. Saves with safe_serialization=True (safetensors) sharded at 2 GB.
  5. Copies the upstream tokenizer / preprocessor / *.py files so trust_remote_code still works.
  6. Pushes everything via model.push_to_hub + tokenizer.push_to_hub to this repo.

Limitations

  • bf16 is not a quantization (int8/int4); it's a precision downcast with the same numeric range as fp32. There is no measurable quality loss.
  • Custom modeling code is re-shipped from the upstream repo verbatim. If kenpath/svara-tts-v1 updates its modeling_svara.py, this repo must be re-pushed.
  • Not a fine-tune. The model is identical to upstream except for dtype.

Provenance

  • Base model: kenpath/svara-tts-v1
  • Conversion: bf16 cast + safetensors re-serialization
  • Tooling: transformers, accelerate, bitsandbytes (not used for this repo), huggingface_hub, flash-attn

Related

License

Inherits the upstream license. Please refer to kenpath/svara-tts-v1 for terms.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Для архитектуры llama нет загрузчика под задачу text-to-speech.

Класс архитектуры
LlamaModel
Ревизия весов
e9d280b

0 моделей