Новая модель tiny-voca для text-to-speech вышла на HuggingFace
На HuggingFace 14 ноября 2026 года опубликована модель n4ze3m/tiny-voca — компактный text-to-speech для английского языка с двумя голосами: женским F2 и мужским M2. Полная модель вместе с генератором сигнала содержит 4,5 млн параметров и обучена с нуля на 18 часах синтетической речи. Автор заявляет, что на четырёх потоках CPU она работает примерно в 70 раз быстрее реального времени. Веса выложены в форматах ONNX, NPZ и PT, лицензия — Apache-2.0.
Что это значит
В нашем разделе генераторов звука text-to-speech представлен двумя инструментами: XTTS и Fish Speech. Оба заметно тяжелее tiny-voca: у XTTS самый большой файл весов занимает 1,7 ГБ, у Fish Speech — 1,2 ГБ. Для сравнения, файл PyTorch-весов tiny-voca весит 18,2 МБ, ONNX-экспорт — 21,4 МБ.
Различаются и лицензии. XTTS разрешён только для некоммерческого использования, Fish Speech допускает коммерцию до 500 000 долларов годовой выручки, а tiny-voca распространяется по Apache-2.0 без таких ограничений. При этом tiny-voca — модель только для английского языка с двумя фиксированными голосами, тогда как XTTS и Fish Speech поддерживают клонирование голоса и другие языки.
Автор tiny-voca не указывает требований к видеопамяти: модель ориентирована на CPU и, по его словам, запускается даже на телефоне или в браузере. Для сравнения, YuE из нашего справочника требует 24 ГБ VRAM, но это инструмент для генерации музыки, а не речи.Как устроен метод. Схема нарисована по этой заметке.