You can deploy this model and start earning money today!

yunfengwang/
fireredtts3-mnn

Name: fireredtts3-mnn
Availability: InStock

Views

No views yet

FireRedTTS3 MNN（fp16 + w8 混合精度，CPU，免 torch）

FireRedTTS3 的 MNN 转换产物，共 19 个分段文件、5.35GB：编码器/解码器/DiT/embed/小头为 fp16（近无损），backbone （prefill_seg1-4 / step_seg1-4）为 w8 权重量化（11.3GB → 2.8GB）。

用法

pip install fireredtts3-mnn         # 或 uvx fireredtts3-mnn
fireredtts3-mnn                     # 自动下载本仓库 + tokenizer，启动 HTTP 服务
fireredtts3-mnn --text "你好世界" --prompt-wav ref.wav --prompt-text "参考文本" --out gen.wav

国内可设 HF_ENDPOINT=https://hf-mirror.com。

为什么是混合精度

各组件输出 vs torch fp32 的最大绝对误差：

组件	w8(int8 权重)	fp16	fp32
redae_encoder	1.69	0.059	2.8e-4
campp	0.61	0.080	1.9e-3
redae_decoder	0.27	—	3.1e-5
dit	0.093	0.014	1.0e-5
backbone 分段	stop 轨迹与 torch 一致	—	一致

纯 w8 会显著损伤音质（分块 int8 --weightQuantBlock 64 实测无改善）；fp16 后端到端与 torch 同种子轨迹一致（同第 30 步停止、4.80s）。mnnquant 全 int8 在当前 MNN 构建上崩溃不可用。

性能（4 线程 Xeon，无 VNNI，RTF 越小越好）

torch fp32	本仓库 MNN fp16+w8	ONNX fp32
86.6	112	117

无 VNNI/fp16 硬件的 CPU 上 int8/fp16 只省体积不提速；w8 backbone 的加速在 VNNI(x86) / i8mm(ARM) 机器上体现。

yunfengwang/fireredtts3-mnn

FireRedTTS3 MNN（fp16 + w8 混合精度，CPU，免 torch）

用法

为什么是混合精度

性能（4 线程 Xeon，无 VNNI，RTF 越小越好）

yunfengwang/
fireredtts3-mnn