Ming 3.0 TTS добавлена в audio.cpp: локальная речь из GGUF, но пока без релиза

Что появилось и что реально доступно

Ming 3.0 TTS превращает введённый текст в звуковой файл. Разработчик добавил создание речи, копирование голоса по образцу и выбор характера голоса. В Hugging Face лежат два файла GGUF — формата весов, который читает audio.cpp: вариант с исходной точностью BF16 и уплотнённый Q8_0. Внутри пакета находятся и нужные голосовые компоненты, отдельно загружать звуковой декодер по инструкции автора не требуется. s1 s2 s3

Документация для нового кода перечисляет английский, китайский, японский, корейский, немецкий, французский и испанский языки. Русского в подтверждённом списке нет, поэтому для русской озвучки не стоит обещать качество без собственных проб. Программа предусматривает работу на процессоре, CUDA-видеокарте NVIDIA и Vulkan; это перечисление поддерживаемых путей, а не обещание конкретной скорости на вашем компьютере. s3

Можно ли установить сегодня?

Для опытного пользователя поддержка уже есть в ветке main audio.cpp: в полном дереве кода присутствуют модуль Ming, описание модели и тесты. Предыдущий релиз v0.9.2-drama3-base-small опубликован 19 октября, а изменение слито 21 октября в 05:01 UTC. Следовательно, доступные релизные сборки не являются проверенным способом запустить эту новую интеграцию. Собрать текущий код самостоятельно можно лишь как эксперимент; пошаговой домашней инструкции по неподтверждённой сборке здесь нет. s1 s3 s4

Если вы уже работаете с исходной веткой, сверяйте версию программы и название файла модели с документацией разработчика. Ожидаемый первый результат — созданный звуковой файл с введённой короткой фразой; проверьте на слух, что слова не пропущены. Редакция не собирала программу и не запускала модель, поэтому этот критерий не является результатом теста Modelium. s3

Права, скорость и ограничения

Исходный код audio.cpp опубликован по Apache-2.0, а файл лицензии самих GGUF-весов указывает MIT от inclusionAI; это разные компоненты с разными условиями. Автор интеграции сообщает о более быстрой генерации на своей RTX 5090 в сравнении с закреплённой Python-реализацией, но это его измерение, не независимый тест и не минимальное требование к видеокарте. В том же PR описан длинный случай, где вариант BF16 потерял или исказил заключительную фразу. Потоковое воспроизведение при генерации пока не включено. s1 s2 s5 s6

Следующий шаг: если вас интересует сама модель, прочитайте материал о выпуске Ming 3.0 TTS; а за готовой интеграцией audio.cpp следите по странице релизов разработчика. s4

Первоисточники

Проверено 21 октября 2026 года: слитый PR и состояние ветки main, закреплённая карточка GGUF и лицензии программы и весов. s1 s2 s3 s4 s5 s6