/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
1,5 млрд
Лицензия
Своя лицензия
Архитектура
lfm2 · dense
Базовая модель
LFM2.5-1.2B-Base
Библиотека
transformers
Опубликована
8 фев 2026

MioTTS-1.2B

Генерация текстаТекст → текст3 профессии

MioTTS-1.2B — дообученная модель Aratako для быстрого синтеза английской и японской речи с поддержкой клонирования голоса по аудиопримеру.

65скачиваний за 30 дней7лайковвеса обновлены10 фев 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

MioTTS-1.2B — компактная модель синтеза речи на основе языковой модели, разработанная Aratako. Она преобразует текст в речь на английском и японском языках и поддерживает клонирование голоса по короткому аудиофрагменту. Модель дообучена на LiquidAI/LFM2.5-1.2B-Base, использует плотную архитектуру LFM2 и аудиокодек MioCodec-25Hz-24kHz. В метаданных указано 1,5 млрд параметров и контекст 128 000 токенов.

Модель рассчитана на быструю генерацию речи при умеренных требованиях к ресурсам; README сообщает об обучении примерно на 100 000 часах англоязычных и японских данных и приводит замеры скорости на NVIDIA RTX 5090. Для запуска авторы предлагают отдельный репозиторий с инструкциями и WebUI. Лицензия указана как other, а README характеризует её как разрешительную, но конкретные условия следует уточнить в карточке модели. Клонирование голоса требует учитывать права и согласие людей; авторы предостерегают от обманного использования синтезированной речи.

Сценарии применения

  • озвучивание английского текста
  • озвучивание японского текста
  • клонирование голоса по короткой записи
  • создание голосовых образцов для приложений
  • генерация речи для демонстраций и WebUI

Ограничения

Поддержка заявлена для английского и японского языков; перенос клонированного голоса требует короткого аудиопримера. Следует соблюдать права и получать согласие на клонирование голоса, а также не использовать модель для обманных дипфейков.

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

MioTTS-1.2B: Lightweight & Fast LLM-based TTS

Hugging Face Collection Inference Code

MioTTS-1.2B is a lightweight, high-speed Text-to-Speech (TTS) model based on an LLM architecture. It is designed to generate high-quality speech in English and Japanese while maintaining low latency and minimal resource usage.

This model supports zero-shot voice cloning and is built on top of the efficient neural audio codec MioCodec-25Hz-24kHz.

📊 MioTTS Family

We offer a range of model sizes to suit different performance and resource requirements.

Model NameParametersBase ModelLicenseRTF (Real-Time Factor)
MioTTS-0.1B0.1Btiiuae/Falcon-H1-Tiny-Multilingual-100M-BaseFalcon-LLM License0.04 - 0.05
MioTTS-0.4B0.4BLiquidAI/LFM2-350MLFM Open License v1.00.035 - 0.045
MioTTS-0.6B0.6BQwen/Qwen3-0.6B-BaseApache 2.00.055 - 0.065
MioTTS-1.2B1.2BLiquidAI/LFM2.5-1.2B-BaseLFM Open License v1.00.065 - 0.075
MioTTS-1.7B1.7BQwen/Qwen3-1.7B-BaseApache 2.00.10 - 0.11
MioTTS-2.6B2.6BLiquidAI/LFM2-2.6BLFM Open License v1.00.135 - 0.145

RTF values represent the range observed when generating approximately 15 seconds of audio across multiple runs. Measured on an NVIDIA RTX 5090 using vLLM 0.15.1.

🌟 Key Features

  • Lightweight & Fast: Optimized for speed, making it suitable for consumer-grade GPUs and edge deployment.
  • Bilingual Support: Trained on approximately 100,000 hours of English and Japanese data.
  • Voice Cloning: Supports high-fidelity zero-shot voice cloning from a short reference audio clip.
  • Efficient Codec: Uses Aratako/MioCodec-25Hz-24kHz, which operates at a low framerate (25Hz) for faster generation without sacrificing quality.

🚀 Inference

We provide a dedicated repository for inference, including installation instructions and example WebUI.

👉 GitHub: Aratako/MioTTS-Inference

🎧 Audio Samples

Below are some samples generated by MioTTS-1.2B.

Note: The reference audio samples below were generated using Aratako/T5Gemma-TTS-2b-2b and gemini-2.5-pro-tts.

CaseTextReference AudioGenerated Audio
English 1"The old library was silent, save for the gentle ticking of a clock somewhere in the shadows. As I ran my fingers along the dusty spines of the books, I felt a strange sense of nostalgia, as if I had lived a thousand lives within these walls."
English 2"Hey! I haven't seen you in ages. Do you want to grab some coffee later? I've got so much to tell you!"
Japanese 1"気象庁によりますと、大型の台風10号は、明日の明け方にかけて関東地方に接近する見込みです。沿岸部では高波に警戒が必要です。"
Japanese 2"その森には、古い言い伝えがありました。月が最も高く昇る夜、静かに耳を澄ませば、風の歌声が聞こえるというのです。私は半信半疑でしたが、その夜、確かに誰かが私を呼ぶ声を聞いたのです。"

🏗️ Training Details

📜 License & Ethical Restrictions

License

This model is released under the LFM Open License v1.0.

Ethical Considerations & Limitations

While this model is released under a permissive license, we aim to promote responsible AI development and urge users to respect the rights of others.

  1. Voice Cloning: Please respect the privacy and rights of individuals. We strongly discourage using this model to clone the voices of real people (especially non-consenting individuals) for deceptive or harmful purposes.
  2. No Misinformation: This model should not be used to generate deepfakes intended to mislead others or spread misinformation.
  3. Disclaimer: The developers assume no liability for any misuse of this model. Users are solely responsible for ensuring their use of the generated content complies with applicable laws and regulations in their jurisdiction.

🙏 Acknowledgments

  • Compute Support: Part of the compute resources for this project were provided by Saldra, Witness and Lumina Logic Minds. We deeply appreciate their support.
  • Base Model: We thank the developers of the base LLM for their open-source contributions.
  • Community: Thanks to the open-source community for the datasets and tools that made this project possible.

🖊️ Citation

If you use MioTTS in your research or project, please cite it as follows:

@misc{miotts,
  author = {Chihiro Arata},
  title = {MioTTS: Lightweight and Fast LLM-based Text-to-Speech},
  year = {2026},
  publisher = {Hugging Face},
  journal = {Hugging Face repository},
  howpublished = {\url{https://huggingface.co/collections/Aratako/miotts}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Lfm2ForCausalLM
Ревизия весов
4d6c29c

0 моделей