Paradee 8M: локальная английская озвучка в одном ONNX-файле

Paradee v1.0: маленькая локальная модель для английской речи

Paradee — модель синтеза речи с 8,07 млн параметров, дистиллированная из Kokoro-82M. Релиз v1.0 опубликован 25 сентября 2026 года; в Hugging Face доступны веса PyTorch, обычный ONNX и отдельный INT8 ONNX. Репозиторий автора содержит исходный код, обучение и интерфейс командной строки. Это выбор для локальной английской озвучки одним голосом af_heart, а не универсальный многоязычный TTS. s1 s2 s3

Что можно скачать и где граница утверждения «работает локально»

Закреплённая ревизия модели 8f34b01ef8adcb0bec470b89bf2fd62a7b2369e6 содержит onnx/paradee_int8.onnx (9 037 971 байт) и onnx/paradee.onnx (36 986 117 байт). Это размеры файлов, а не требование к оперативной памяти. У модели есть зависимости: текст сначала превращается в фонемы с помощью misaki; при первом запуске Python-пакет скачивает ONNX-модель и словарные данные. Для полностью автономной установки заранее подготовьте веса, зависимости и данные фонемизатора, а не рассчитывайте только на один ONNX-файл. s2 s3

Код и веса обозначены Apache 2.0; исходный Kokoro-82M также помечен Apache 2.0. Это допускает коммерческое применение в рамках условий лицензии, но не делает автоматически свободным от обязательств каждый внешний датасет: автор отдельно указывает CC BY-SA 3.0 для предложений WikiText-103 в обучающем наборе. s2 s3 s4

Практический старт

Авторский пакет можно установить из проверенного тега v1.0 командой pip install git+https://github.com/sahilmahendrakar/paradee@v1.0. Затем запустите python -m paradee "Hello from a local voice." -o hello.wav. Для установки и первой загрузки весов потребуется сеть, далее задача может выполняться локально. Исходный pyproject.toml требует Python не ниже 3.10 и onnxruntime>=1.17; перед интеграцией в приложение проверьте наличие фонемизатора и офлайн-кеша. Эти команды взяты из документации автора; Modelium их не запускал. s1 s5

Сам ONNX-граф принимает идентификаторы фонем input_ids и параметр speed, возвращает моно-аудиосигнал с частотой 24 кГц. Подавать в граф строку напрямую нельзя: необходима совместимая с misaki фонемизация. Автор предупреждает, что фонемы браузерного eSpeak NG отличаются; для такого пути в проекте предусмотрен отдельный адаптер web/misaki.js. s1 s2

Как читать результаты автора

В таблице автора на 200 отложенных английских предложениях PyTorch-версия Paradee дала 25,0× реального времени на одном потоке Apple M4 Pro, UTMOS 4,41 и WER 5,7%; Kokoro для сравнения — 7,6×, 4,52 и 5,7% соответственно. Поставляемый INT8 ONNX — другой замер: автор отдельно сообщает около 18× реального времени на одном потоке в onnxruntime и WER 6,0% при иной нормализации текста. Нельзя выдавать 25× из PyTorch-таблицы за скорость скачиваемого INT8 ONNX или сравнивать два WER без учёта методики. UTMOS здесь автоматическая оценка, не слепое исследование слушателей; независимого воспроизведения Modelium нет. s1 s2

Кому подходит: если нужен компактный англоязычный голос для локального прототипа, интерфейса или озвучки без удалённого TTS API. Кому не подходит: для русского текста, нескольких голосов либо подтверждённого качества на вашей предметной лексике. Следующий шаг — прослушать опубликованные автором парные аудиопримеры, затем испытать собственные тексты на своей CPU-конфигурации; скорость из авторского Apple M4 Pro не переносится автоматически на другой процессор. s1 s2