Индустрия · 23 октября 2026 г.
Kitten TTS 2 — открытая 1.7B TTS‑модель
Kitten TTS 2 — 1.7‑миллиардная модель синтеза речи с клонированием голоса (1–30 с), 115 предустановленными голосами и GGUF‑пакетами для локального запуска через audio.cpp; в тексте — команды и ограничения.
Кратко
Kitten TTS 2 — открытая модель для синтеза речи с примерно 1.7 миллиарда параметров, поддерживающая клонирование голоса по 1–30‑секундной записи и генерирующая 24 kHz аудио. В карточке модели на Hugging Face указаны 115 предустановленных голосов и именные пресеты для английского и других языков страница модели KittenML.
Что опубликовано и как запустить
Авторы выложили веса и инструкции по локальному запуску, а также несколько упаковок (GGUF) для запуска без Python/LibTorch. Для audio.cpp доступны пакеты в вариантах Q8, Q4 и TQ2_1; один из Q8‑файлов в репозитории audio.cpp занимает примерно 3.28 GB GGUF‑папка audio.cpp.
В документации приведён пример синтеза через audio.cpp: audiocpp_cli --family kitten_tts2 --model models/... --task tts --voice-id Bruno --text "Hello from Kitten TTS 2." --out hello.wav. Для клонирования требуется эталонная запись длительностью 1–30 с и её транскрипт; пример команды и подсказки по пакетам есть в пакете dignome dignome/kitten_tts2.
Ограничения, совместимость и лицензия
Разные варианты упаковки весов и декодеров влияют на совместимость и поведение при длинных фрагментах речи. Q4 помечен как экспериментальный: в длинных образцах иногда пропускаются слова. TQ2_1 требует специальной поддержки в сборке audio.cpp.
Документация подчёркивает, что размер GGUF‑файла не равен объёму требуемой оперативной памяти или VRAM при инференсе — реальное потребление зависит от выбранного бэкенда и декодера. Для не‑английских текстов авторы советуют отключать нормализацию (normalize=False), иначе обработка чисел и дат может искажаться.
Лицензия модели в карточке указана как stellon‑labs‑community‑license; перед коммерческим использованием стоит свериться с текстом лицензии на странице модели.