/ Модель

Характеристики

Параметры
510 млн
Размер весов
1,5 ГБ
Лицензия
Apache 2.0
Архитектура
xtts_gpt · dense
Базовая модель
XTTS-v2
Опубликована
24 окт 2024

xtts2-gpt

Генерация текстаТекст → текст3 профессии

Auralis — производная от Coqui XTTS-v2 многоязычная модель AstraMind.ai для синтеза речи из текста и клонирования голоса по короткому аудиофрагменту.

64 916скачиваний за 30 дней17лайковвеса обновлены4 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

Auralis — модель синтеза речи, разработанная AstraMind.ai на основе Coqui XTTS-v2. Она преобразует текст в речь, поддерживает клонирование голоса по короткому аудиофрагменту, потоковую генерацию длинных текстов и параллельную обработку запросов. Модель содержит 510,2 млн параметров; в репозитории указаны веса safetensors. README описывает оптимизацию для GPU, включая NVIDIA RTX 3090, и применение для озвучивания книг, диалогов, подкастов и голосовых дорожек.

Заявлена поддержка английского, испанского, французского, немецкого, итальянского, португальского, польского, турецкого, русского, нидерландского, чешского, арабского, упрощённого китайского, венгерского, корейского, японского и хинди. По README, модель подходит для интеграции в приложения через Python API и для создания аудиоверсий текстов. Лицензия указана как Apache 2.0, однако для компонентов базовой XTTS-v2 README отдельно указывает лицензию Coqui AI; условия использования производной модели и компонентов следует оценивать с учётом обеих лицензий.

Сценарии применения

  • создание аудиокниг из электронных книг
  • озвучивание подкастов и видеороликов
  • синтез речи на нескольких языках
  • клонирование голоса по короткому образцу
  • потоковая озвучка длинных текстов
  • интеграция синтеза речи в приложения

Ограничения

Качество акцентов и интонаций может различаться между языками и голосами. Клонирование голоса требует согласия на использование образца и может быть связано с риском злоупотребления.

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

Auralis 🌌

Model Details 🛠️

Model Name: Auralis

Model Architecture: Based on Coqui XTTS-v2

License:

Language Support: English, Spanish, French, German, Italian, Portuguese, Polish, Turkish, Russian, Dutch, Czech, Arabic, Chinese (Simplified), Hungarian, Korean, Japanese, Hindi

Developed by: AstraMind.ai

GitHub: AstraMind AI

Primary Use Case: Text-to-Speech (TTS) generation for real-world applications, including books, dialogues, and multilingual tasks.


Model Description 🚀

Auralis transforms text into natural, high-quality speech with exceptional speed and scalability. It is powered by Coqui XTTS-v2 and optimized for both consumer-grade and high-performance GPUs. Auralis is designed to meet real-world needs like long-text processing, voice cloning, and concurrent request handling.

Key Features:

  • Warp-Speed Processing: Generate speech for an entire novel (e.g., Harry Potter) in ~10 minutes.
  • Hardware Friendly: Requires <10GB VRAM on a single NVIDIA RTX 3090.
  • Scalable: Handles multiple requests simultaneously.
  • Streaming: Seamlessly processes long texts in a streaming format.
  • Custom Voices: Enables voice cloning from short reference audio.

Quick Start ⭐

from auralis import TTS, TTSRequest

# Initialize the model
tts = TTS().from_pretrained("AstraMindAI/xtts2-gpt")

# Create a TTS request
request = TTSRequest(
    text="Hello Earth! This is Auralis speaking.",
    speaker_files=["reference.wav"]
)

# Generate speech
output = tts.generate_speech(request)
output.save("output.wav")

Ebook Generation 📚

Auralis converting ebooks into audio formats at lightning speed. For Python script, check out ebook_audio_generator.py.

def process_book(chapter_file: str, speaker_file: str):
    # Read chapter
    with open(chapter_file, 'r') as f:
        chapter = f.read()
    
    # You can pass the whole book, auralis will take care of splitting
    
    request = TTSRequest(
            text=chapter,
            speaker_files=[speaker_file],
            audio_config=AudioPreprocessingConfig(
                enhance_speech=True,
                normalize=True
            )
        )
        
    output = tts.generate_speech(request)
    
    output.play()
    output.save("chapter_output.wav")

# Example usage
process_book("chapter1.txt", "reference_voice.wav")

Intended Use 🌟

Auralis is designed for:

  • Content Creators: Generate audiobooks, podcasts, or voiceovers.
  • Developers: Integrate TTS into applications via a simple Python API.
  • Accessibility: Providing audio versions of digital content for people with visual or reading difficulties.
  • Multilingual Scenarios: Convert text to speech in multiple supported languages.

Performance 📊

Benchmarks on NVIDIA RTX 3090:

  • Short phrases (<100 characters): ~1 second
  • Medium texts (<1,000 characters): ~5-10 seconds
  • Full books (~100,000 characters): ~10 minutes

Memory Usage:

  • Base VRAM: ~4GB
  • Peak VRAM: ~10GB

Model Features 🛸

  1. Speed & Efficiency:

    • Smart batching for rapid processing of long texts.
    • Memory-optimized for consumer GPUs.
  2. Easy Integration:

    • Python API with support for synchronous and asynchronous workflows.
    • Streaming mode for continuous playback during generation.
  3. Audio Quality Enhancements:

    • Background noise reduction.
    • Voice clarity and volume normalization.
    • Customizable audio preprocessing.
  4. Multilingual Support:

    • Automatic language detection.
    • High-quality speech in 15+ languages.
  5. Customization:

    • Voice cloning using short reference clips.
    • Adjustable parameters for tone, pacing, and language.

Limitations & Ethical Considerations ⚠️

  • Voice Cloning Risks: Auralis supports voice cloning, which may raise ethical concerns about misuse. Use responsibly and ensure proper consent.
  • Accent Limitations: While robust for many languages, accents and intonations may vary based on the input.

Citation 📜

If you use Auralis in your research or projects, please cite:

@misc{auralis2024,
  author = {AstraMind AI},
  title = {Auralis: High-Performance Text-to-Speech Engine},
  year = {2024},
  url = {https://huggingface.co/AstraMindAI/auralis}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
XttsGPT
Ревизия весов
604db92

0 моделей