/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
CC BY-SA 4.0
Архитектура
gpt2 · dense
Базовая модель
gpt2
Библиотека
transformers
Опубликована
20 ноя 2024

indri-0.1-350m-tts

Синтез речиТекст → аудио3 профессии

Компактная модель 11mlabs на базе GPT-2 генерирует английскую и хинди речь из текста и поддерживает клонирование голоса по короткому аудиопромпту.

64скачиваний за 30 дней3лайкавеса обновлены5 дек 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Indri 0.1 350M TTS — компактная модель синтеза речи от 11mlabs на основе авторегрессионного трансформера GPT-2 с 350 млн параметров. Она генерирует аудиотокены из текста, а затем декодирует их в речь с помощью Kyutai Mimi. Модель предназначена для синтеза речи на английском и хинди, в том числе при смешении этих языков в одном тексте, и поддерживает клонирование голоса по короткому аудиопромпту менее пяти секунд. В карточке заявлены высокая скорость генерации и работа с контекстом до 1024 токенов.

Модель подходит для озвучивания текста и создания речи заданным голосом; в README также описана серия Indri с задачами распознавания речи и продолжения аудио, но для этой модели подтверждён тег text-to-speech. Репозиторий распространяет веса в формате safetensors и основан на дообучении openai-community/gpt2. Лицензия указана как CC BY-SA 4.0, при этом авторы ограничивают использование исследовательской демонстрацией и запрещают коммерческое применение.

Сценарии применения

  • озвучивание текста на английском языке
  • озвучивание текста на хинди
  • синтез речи в тексте со смешением английского и хинди
  • генерация речи голосом из короткого аудиопромпта
  • создание аудиоверсий текстового контента

Ограничения

Коммерческое использование запрещено авторами карточки; модель позиционируется как исследовательская демонстрация. Клонирование голоса требует короткого аудиопромпта, а заявленные характеристики скорости приведены для RTX6000Ada.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face
PlatformLink
🌎 Live Demoindrivoice.ai
𝕏 Twitter@11mlabs_in
🐱 GitHubIndri Repository
🤗 Hugging Face (Collection)Indri collection
📝 Release BlogRelease Blog

Model Card for indri-0.1-350m-tts

Indri is a series of audio models that can do TTS, ASR, and audio continuation. This is the medium sized model (350M) in our series and supports TTS tasks in 2 languages:

  1. English
  2. Hindi

Model Details

Model Description

indri-0.1-350m-tts is a novel, ultra-small, and lightweight TTS model based on the transformer architecture. It models audio as tokens and can generate high-quality audio with consistent style cloning of the speaker.

Samples

TextSample
मित्रों, हम आज एक नया छोटा और शक्तिशाली मॉडल रिलीज कर रहे हैं।
भाइयों और बहनों, ये हमारा सौभाग्य है कि हम सब मिलकर इस महान देश को नई ऊंचाइयों पर ले जाने का सपना देख रहे हैं।
Hello दोस्तों, future of speech technology mein अपका स्वागत है
In this model zoo, a new model called Indri has appeared.

Key features

  1. Small, based on GPT-2 medium architecture. The methodology can be extended to any autoregressive transformer-based architecture.
  2. Ultra-fast. Using our self hosted service option, on RTX6000Ada NVIDIA GPU the model can achieve speeds up to 300 toks/s (3s of audio generation per s) and under 20ms time to first token.
  3. On RTX6000Ada, it can support a batch size of ~300 sequences with full context length of 1024 tokens
  4. Supports voice cloning with small prompts (<5s).
  5. Code mixing text input in 2 languages - English and Hindi.

Details

  1. Model Type: GPT-2 based language model
  2. Size: 350M parameters
  3. Language Support: English, Hindi
  4. License: This model is not for commercial usage. This is only a research showcase.

Technical details

Here's a brief of how the model works:

  1. Converts input text into tokens
  2. Runs autoregressive decoding on GPT-2 based transformer model and generates audio tokens
  3. Decodes audio tokens (using Kyutai/mimi) to audio

Please read our blog here for more technical details on how it was built.

How to Get Started with the Model

🤗 pipelines

Use the code below to get started with the model. Pipelines are the best way to get started with the model.

import torch
import torchaudio
from transformers import pipeline

model_id = '11mlabs/indri-0.1-350m-tts'
task = 'indri-tts'

pipe = pipeline(
    task,
    model=model_id,
    device=torch.device('cuda:0'), # Update this based on your hardware,
    trust_remote_code=True
)

output = pipe(['Hi, my name is Indri and I like to talk.'], speaker = '[spkr_63]')

torchaudio.save('output.wav', output[0]['audio'][0], sample_rate=24000)

Available speakers

Speaker IDSpeaker name
[spkr_63]🇬🇧 👨 book reader
[spkr_67]🇺🇸 👨 influencer
[spkr_68]🇮🇳 👨 book reader
[spkr_69]🇮🇳 👨 book reader
[spkr_70]🇮🇳 👨 motivational speaker
[spkr_62]🇮🇳 👨 book reader heavy
[spkr_53]🇮🇳 👩 recipe reciter
[spkr_60]🇮🇳 👩 book reader
[spkr_74]🇺🇸 👨 book reader
[spkr_75]🇮🇳 👨 entrepreneur
[spkr_76]🇬🇧 👨 nature lover
[spkr_77]🇮🇳 👨 influencer
[spkr_66]🇮🇳 👨 politician

Self hosted service

git clone https://github.com/cmeraki/indri.git
cd indri
pip install -r requirements.txt

# Install ffmpeg (for Mac/Windows, refer here: https://www.ffmpeg.org/download.html)
sudo apt update -y
sudo apt upgrade -y
sudo apt install ffmpeg -y

python -m inference --model_path 11mlabs/indri-0.1-350m-tts --device cuda:0 --port 8000

Citation

If you use this model in your research, please cite:

@misc{indri-multimodal-alm,
  author       = {11mlabs},
  title        = {Indri: Multimodal audio language model},
  year         = {2024},
  publisher    = {GitHub},
  journal      = {GitHub Repository},
  howpublished = {\url{https://github.com/cmeraki/indri}},
  email        = {compute@merakilabs.com}
}

BibTex

  1. nanoGPT
  2. Kyutai/mimi
@techreport{kyutai2024moshi,
      title={Moshi: a speech-text foundation model for real-time dialogue},
      author={Alexandre D\'efossez and Laurent Mazar\'e and Manu Orsini and
      Am\'elie Royer and Patrick P\'erez and Herv\'e J\'egou and Edouard Grave and Neil Zeghidour},
      year={2024},
      eprint={2410.00037},
      archivePrefix={arXiv},
      primaryClass={eess.AS},
      url={https://arxiv.org/abs/2410.00037},
}
  1. Whisper
@misc{radford2022whisper,
  doi = {10.48550/ARXIV.2212.04356},
  url = {https://arxiv.org/abs/2212.04356},
  author = {Radford, Alec and Kim, Jong Wook and Xu, Tao and Brockman, Greg and McLeavey, Christine and Sutskever, Ilya},
  title = {Robust Speech Recognition via Large-Scale Weak Supervision},
  publisher = {arXiv},
  year = {2022},
  copyright = {arXiv.org perpetual, non-exclusive license}
}
  1. silero-vad
@misc{Silero VAD,
  author = {Silero Team},
  title = {Silero VAD: pre-trained enterprise-grade Voice Activity Detector (VAD), Number Detector and Language Classifier},
  year = {2024},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/snakers4/silero-vad}},
  commit = {insert_some_commit_here},
  email = {hello@silero.ai}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Для архитектуры gpt2 нет загрузчика под задачу text-to-speech.

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
3a59852

0 моделей