--- license: other license_name: gemma-terms-of-use license_link: https://ai.google.dev/gemma/terms tags: - tts - ukrainian - text-normalization - onnx --- # HolosTTS native models Моделі для [holos-tts-core](https://github.com/) (C++ native TTS, :8004) та [Promin TTS](https://github.com/Karnemorkon/promin-tts) (Rust, багатоетапний `holos-onnx`). > **Оновлення 2026-11-01.** `holos-onnx/` замінено **офіційним fp32-бандлом** > з [`patriotyk/HolosTTS`](https://huggingface.co/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`](https://huggingface.co/datasets/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 ```bash pip install huggingface_hub python3 scripts/download_models.py --out models ``` Лише багатоетапний fp32-бандл (рекомендовано): ```bash 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: ```bash 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`](https://huggingface.co/datasets/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](https://huggingface.co/patriotyk/HolosTTS/discussions/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](https://huggingface.co/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`](https://huggingface.co/datasets/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](https://huggingface.co/skypro1111/gemma-3-270m-uk-verbalizer) та Gemma 3 270M (© Google LLC). Розповсюджується за [Gemma Terms of Use](https://ai.google.dev/gemma/terms); 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).