HolosTTS native models

Моделі для holos-tts-core (C++ native TTS, :8004) та Promin TTS (Rust, багатоетапний holos-onnx).

Оновлення 2026-11-01. holos-onnx/ замінено офіційним fp32-бандлом з patriotyk/HolosTTS (нові holos.pt, voices.pt, voice_encoder.pt, офіційні onnx/ та onnx-int8/). Додано holos-onnx-int8/ як опційний варіант. tts/voice_encoder.onnx оновлено під новий простір ембеддінгів. Старі клоновані голоси (speakers/*.npy) несумісні — їх треба зареєструвати заново з референсного WAV.

Оновлення 2026-11-14. Голосові пресети в holos-onnx/voices.npz, holos-onnx-int8/voices.npz, tts/voices.pt і tts/voices.json замінено на 29 CC0-голосів із Morkon/holos-voices-uk-cc0. Стандартні 27 голосів HolosTTS, диктори яких не давали згоди, більше не постачаються.

Шлях Розмір Призначення
holos-onnx/ ~730 MB основний офіційний fp32-бандл HolosTTS: encoder + prosody + decoder, стрімінгові source + decoder_window, 29 CC0-голосів із Morkon/holos-voices-uk-cc0
holos-onnx-int8/ ~390 MB опційний офіційний int8-бандл: менший download, нижча якість; вмикається через PROMIN_HF_BUNDLE_PREFIX=holos-onnx-int8
tts/voice_encoder.onnx 195 MB новий voice encoder (fp32, ONNX): wave [1,N] @24 кГц → voice [1,256]; потрібен для клонування
tts/voice_encoder.pt 192 MB офіційний PyTorch-енкодер, з якого експортовано ONNX
tts/voices.pt 37 KB 29 CC0-голосів (PyTorch)
tts/holos_cpu_int8.onnx + vocab.json + voices.json ~1.1 GB TTS ONNX int8 (старий однографовий формат, fallback)
accentor/accentor-lite.onnx ~70 MB нейро-наголос
stress/stress.trie ~180 MB словниковий наголос
verbalizer/gemma-int8/ 227 MB neural verbalizer (дефолт): Gemma-3-270M-uk ONNX int8, KV-cache
verbalizer/onnx-int8/ 764 MB legacy M2M100-418M int8 (відкат, download_models.py --with-m2m100)
verbalizer/ct2-int8/ — legacy CTranslate2

Завантаження

pip install huggingface_hub
python3 scripts/download_models.py --out models

Лише багатоетапний fp32-бандл (рекомендовано):

python -c "from huggingface_hub import snapshot_download; \
  snapshot_download('Morkon/holos-native-models', \
  allow_patterns=['holos-onnx/*', 'tts/voice_encoder.onnx'], \
  local_dir='models')"

Лише опційний int8-бандл:

python -c "from huggingface_hub import snapshot_download; \
  snapshot_download('Morkon/holos-native-models', \
  allow_patterns=['holos-onnx-int8/*', 'tts/voice_encoder.onnx'], \
  local_dir='models')"

Потім для Promin: PROMIN_MODELS_DIR=models PROMIN_MODEL_FORMAT=bundle. Для int8 додатково PROMIN_HF_BUNDLE_PREFIX=holos-onnx-int8 (лише для автозавантаження; локальний каталог усе одно holos-onnx/).

Ліміт 1000 кадрів

Офіційні графи мають жорсткий seq_length = 1000 (≈25 с аудіо на один виклик). 987 кадрів працюють, 1125 падають в ONNX Runtime з broadcast-помилкою. Promin TTS v0.19+ автоматично ріже довгі фонемні частини по пробілах/межах слів і повторює з меншим бюджетом, якщо передбачена довжина перевищує ліміт. Інші клієнти мають робити так само або відхиляти задовгі входи.

Клонування голосу

tts/voice_encoder.onnx експортовано з офіційного voice_encoder.pt (PyTorch → ONNX, opset 20) з тим самим інтерфейсом, що й раніше: wave[1,N] @24 кГц → voice[1,256]. Новий енкодер дає інший простір ембеддінгів, ніж попередній: ембеддінги з speakers/*.npy, зроблені старим енкодером, не можна використовувати з новими вагами. Перезапишіть кожен клонований голос із референсного WAV (енролмент заново).

Голоси

holos-onnx/voices.npz, holos-onnx-int8/voices.npz, tts/voices.pt і legacy tts/voices.json містять 29 CC0-голосів із паку Morkon/holos-voices-uk-cc0: 9 чоловічих, 14 жіночих, 6 юнацьких. Усі вони синтезовані HolosTTS із референсів Mozilla Common Voice 27.0 (uk, CC0-1.0). Точні client_id і кліпи — у SOURCES.md паку.

Стандартні 27 голосів HolosTTS, диктори яких не надавали згоди на синтез, у цих файлах більше не постачаються. Історія питання: discussion #5.

Ліцензія MIT стосується коду та ваг моделі. Голосові пресети поширюються за CC0-1.0; аудіо та ембеддінги можна використовувати, зокрема комерційно, без окремого дозволу. Не використовуйте синтезовані голоси для імітації конкретних людей або дезінформації.

Ліцензії

  • holos-onnx/, holos-onnx-int8/ — офіційний ONNX-експорт ваг patriotyk/HolosTTS без донавчання. Код і ваги моделі — MIT (© автор HolosTTS); ONNX-обгортки — MIT, Promin TTS. Голосові пресети (voices.npz, voices.pt, voices.json) — CC0-1.0, пак Morkon/holos-voices-uk-cc0. Деталі та контрольні суми — у holos-onnx/README.md, holos-onnx-int8/README.md і відповідних SHA256SUMS.
  • tts/voice_encoder.onnx — експорт офіційного voice_encoder.pt (MIT, © автор HolosTTS); ONNX-обгортка — MIT, Promin TTS.
  • verbalizer/gemma-int8/ — квантована похідна skypro1111/gemma-3-270m-uk-verbalizer та Gemma 3 270M (© Google LLC). Розповсюджується за Gemma Terms of Use; див. verbalizer/gemma-int8/GEMMA-NOTICE.txt.
  • verbalizer/onnx-int8/, verbalizer/ct2-int8/ — похідні M2M100 (Helsinki-NLP, MIT).
  • accentor/, stress/, tts/ — див. карточки відповідних апстрім-моделей (patriotyk/*, ukrainian-word-stress, ukrainian_accentor).
Downloads last month

-

Downloads are not tracked for this model. How to track
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support