/ Модель

Характеристики

Лицензия
MIT
Опубликована
23 июл 2026

English-TTS

Синтез речиТекст → аудио

Декодерный трансформер для синтеза речи из текста с кодеком WavTokenizer.

0скачиваний за 30 дней0лайковвеса обновлены24 июл 2026

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

AnotherPotatoCoder/English-TTS — модель синтеза речи на основе декодерного трансформера, использующего WavTokenizer в качестве аудиокодека. По карточке, для подготовки текста к синтезу применяется espeak-ng, а обучение проводилось примерно на 100 часах синтетической речи, созданной с помощью Kokoro. Модель предназначена для преобразования текста в аудио; в репозитории приведены примеры, но аудиофайлы в таблице не заполнены.

Лучше всего модель работает при генерации аудио длительностью примерно от 3 до 15 секунд. На редких или незнакомых словах она может выдавать бессвязную или искажённую речь. Поддерживается генерация по одному аудиофрагменту за раз, без разбиения на части. Лицензия — MIT.

Сценарии применения

  • озвучивание коротких текстов на английском
  • синтез речи для аудиоклипов длительностью 3–15 секунд
  • создание голосовых версий текстовых материалов

Ограничения

На редких и незнакомых словах возможны бессвязная или искажённая речь; лучше всего модель работает с аудио длительностью около 3–15 секунд. Генерация по частям и пакетная обработка не поддерживаются.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SimpleTTS

Decoder-only transformer TTS, using WavTokenizer as the audio codec.

Samples

TextAudio
Sample 1
Sample 2
Sample 3
Sample 4
Sample 5

Setup

git clone https://github.com/FirstPotatoCoder/SimpleTTS.git
cd SimpleTTS
bash setup.sh
python scripts/download_weights.py

Run

python examples/run_inference.py "Hello, this is a quick test-run. I'm checking whether the model can handle longer input text without any issues. This sentence is roughly five times the length of the original short test phrase."

Or from Python:

from tts.inference import TTSPipeline

pipe = TTSPipeline(
tts_weights="weights/tts.pt",
wavtokenizer_weights="weights/wavtokenizer.ckpt",
wavtokenizer_config="configs/wavtokenizer_config.yaml",
)
pipe.generate("Some text to speak.", out_path="out.wav")

Limitations

  • The model sometimes hallucinates, generating babbling or garbled output on rare or unseen words — likely due to the limited amount of training data.
  • Works best when generating ~3s to 15s of audio, matching the length distribution of its training data.
  • No chunking support yet — the current repo only supports clip-by-clip generation, one sample at a time.

Credits

Audio tokenizer/codec: WavTokenizer (vendored under wavtokenizer/, trimmed to inference-only code).

Data synthesis: Kokoro, used to generate ~100 hours of synthetic audio for training this TTS model.

Text phonemization: espeak-ng, used to convert input text into phonemes.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
bc381c7

0 моделей