Компания Edge0 выпустила открытую компактную модель синтеза речи Audio8-TTS-Realistic-0.6b на 601 159 424 параметра без учёта кодека. Новая версия улучшает интонации и выразительность по сравнению с Preview, поддерживает 23 языка, включая русский, и клонирует голос по короткой записи с её точным текстом без дообучения. Благодаря встроенному аудиокодеку 44,1 кГц и SGLang-адаптеру с OpenAI-совместимым API релиз представляет собой почти готовый стек для самостоятельного синтеза речи; сопоставимое с более крупными открытыми моделями качество пока подтверждает только сравнение самого разработчика.

image
image

Что произошло

Компания Edge0 перевела свою TTS-линейку со стадии Preview на релизную версию Audio8-TTS-Realistic-0.6b, улучшив интонации и выразительность синтеза. Модель работает в двух режимах: со стандартным голосом без аудиообразца и с клонированием голоса по образцу записи и её точному тексту — дообучение не требуется. Число поддерживаемых языков доведено до 23, из них 12 добавлены в этой версии, в том числе русский, арабский, хинди, португальский и тайский. Основой служит архитектура DualAR: медленный трансформер из 24 слоёв предсказывает один смысловой токен на кадр, а быстрый трансформер из 4 слоёв разворачивает его в 10 кодбуков по 4096 значений. Собственный аудиокодек Edge0 выдаёт звук с частотой 44,1 кГц: 2048 сэмплов на кадр при примерно 21,5 кадра в секунду, а контекст ограничен 2048 позициями текста и аудио. Веса и код опубликованы в репозитории Edge0/Audio8-TTS-Realistic-0.6b на Hugging Face вместе с демо-пространством; для серверного развёртывания подготовлен SGLang Omni-адаптер с OpenAI-совместимым эндпоинтом /v1/audio/speech.

Контекст

Сопутствующая научная статья Training a Compact, Strong, and Realistic Text-to-Speech Model (arXiv:2610.14776) описывает тренировочный рецепт, в котором реалистичная речь достигается не ростом числа параметров, а качеством данных и схемой обучения. Именно поэтому модель на 0,6 млрд параметров сравнивается на демо-странице Edge0 с открытыми конкурентами крупнее: Breeze-TTS-2 с примерно 3 млрд параметров, Qwen3-TTS с 1,7 млрд и Higgs TTS 3 с примерно 4 млрд — по этому сравнению компактная новинка не проигрывает системам в три–семь раз большего размера. Релиз вписывается в более широкую картину: клонирование голоса перестаёт быть задачей для исследовательской команды и превращается в функцию по требованию, а сочетание встроенного аудиотракта и готового серверного адаптера собирает разрозненные компоненты синтеза речи в связный стек.

Почему это важно для индустрии

Для индустрии релиз ценен прежде всего готовностью стека к развёртыванию: SGLang Omni-адаптер поддерживает paged attention и динамический батчинг и открывает OpenAI-совместимый эндпоинт /v1/audio/speech, поэтому голосовой пилот на собственной инфраструктуре можно поднять за считаные дни, ведя интеграцию по привычному интерфейсу, как при работе с облачным API. Клонирование голоса без дообучения в открытых весах снижает порог входа до одной GPU: синтез речи становится общедоступной товарной функцией, и преимущество в духе «мы умеем TTS» исчезает — защищённость продукта смещается к собственным данным, качеству в нишевых сценариях и дистрибуции. Для действующих облачных TTS-сервисов это появление бесплатного субститута в нижнем ценовом сегменте, а если рецепт из arXiv:2610.14776 воспроизводим, то реалистичность речи определяется данными и методикой обучения, а не бюджетом на параметры — это меняет расклад сил между крупными и малыми командами.

Почему это важно для пользователей

Читателям модель доступна для проверки прямо сейчас: веса можно скачать с Hugging Face и запустить на собственном GPU — рабочая конфигурация проверена на PyTorch 2.8.0, Transformers 4.57.3, в точности BF16 на ускорителе NVIDIA H20. Устанавливать ничего не обязательно: сначала качество голосов можно прослушать в демо-пространстве проекта. Для личных экспериментов доступно клонирование собственного голоса: достаточно короткой записи, прочитанной вместе с точным текстом, — без дообучения. Русский язык входит в число новых для этой версии, но авторы предупреждают, что качество по языкам неравномерное и вероятны ошибки произношения, поэтому русскоязычные сценарии стоит тестировать на собственном материале.

Что пока неизвестно / ограничения

Главное ограничение — методология оценки: сопоставимость качества с моделями на 1,7–4 млрд параметров подтверждает только сравнение на демо-странице самой Edge0, а в опубликованных материалах нет протокола вроде MOS, числа слушателей, набора тестовых фраз и выравнивания условий — до независимого слепого прослушивания такой паритет корректно считать заявлением, а не установленным фактом. Не опубликованы и замеры латентности и пропускной способности для серверного обслуживания, поэтому их придётся собирать самостоятельно. Качество по 23 языкам неравномерное, возможны ошибки произношения, а русский поддерживается только начиная с этой версии. Наконец, управляемого облачного варианта в материалах релиза нет: вся операционная нагрузка — GPU, батчинг, версии библиотек — остаётся на пользователе.

Источники

Автор

Look at AI, редакция