/ Модель

Характеристики

Размер весов
327 МБ
Лицензия
Apache 2.0
Базовая модель
Kokoro-82M
Опубликована
24 авг 2026

goonj-1-82M

Синтез речиТекст → аудио3 профессии

Компактная дообученная модель Kokoro-82M для синтеза речи на хинди, индийском английском и хинглише с 15 встроенными голосовыми профилями.

885скачиваний за 30 дней4лайкавеса обновлены24 авг 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

Goonj-1-82M — модель синтеза речи, разработанная BH-Builds на основе дообученной Kokoro-82M. Она преобразует текст в речь на хинди, индийском английском и хинглише; для генерации достаточно указать текст и один из 15 встроенных голосовых профилей, аудиообразец не требуется. Модель содержит около 82 млн параметров и основана на архитектуре StyleTTS2; рассчитана на запуск на CPU и устройствах с ограниченными ресурсами.

Голосовые профили включают голоса на хинди и индийском английском, а также базовый голос на хинди. Для подготовки текста к синтезу требуется фонемизация: хинди обрабатывается через G2P для хинди, английский — через американский английский G2P, а хинглиш — гибридной маршрутизацией. Модель обучена на синтетических аудиоданных BH-Builds/mac-audio.

Лицензия — Apache-2.0. Известные ограничения связаны с артефактами и особенностями произношения, унаследованными от синтетических обучающих данных; редкие слова на хинглише могут звучать с англизированным произношением, а естественность речи уступает более крупным моделям.

Сценарии применения

  • озвучивание текста на хинди
  • генерация речи с индийским английским акцентом
  • синтез речи на хинглише
  • озвучивание текста выбранным голосовым профилем
  • локальный синтез речи на CPU

Ограничения

Обучение на синтетических данных приводит к отдельным артефактам и особенностям произношения; редкие романизированные слова хинди в хинглише могут звучать англизированно. Естественность речи ограничена по сравнению с более крупными TTS-моделями.

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

goonj-1-82M

गूंज — 15 Indian voices on the edge. A finetune of Kokoro-82M for Hindi, Indian English, and Hinglish, with 15 baked-in persona voicepacks — generation needs only text and a persona name, no reference audio. Trained on the BH-Builds/mac-audio dataset.

Contents

FileDescription
kokoro_hindi_final.pthFinetuned Kokoro-82M weights (KModel format, 82M params)
config.jsonKModel architecture config
voices/*.pt15 persona voicepacks, [510, 1, 256] float32 (standard Kokoro voicepack format)
kokoro_generate.pyReference inference script with language auto-detection
hinglish_lexicon.py~300-word romanized-Hindi → Devanagari lexicon used by the Hinglish G2P

Personas

14 named personas + a Hindi base voice:

  • Hindi natives (hi_*): atul, meera, ravi, shivani
  • Indian English (en_*): aman, ananya, arjun, dev, divya, kabir, nisha, priya, sameer, tara
  • bed_hindi: the Hindi language-bed voice

All personas handle all three language modes; the prefix marks their primary training language.

Demo — en_priya, Indian native English speaker

"I truly believe that hard work makes every difficulty easier to overcome." — generated from text + the en_priya voicepack only, no reference audio:

(download the clip)

Usage

# pip install kokoro huggingface_hub   (weights are in stock Kokoro format; works with PyPI kokoro >= 0.9)
# private repo: `hf auth login` first, or pass token=... to hf_hub_download
import torch
from huggingface_hub import hf_hub_download
from kokoro import KModel

REPO = "BH-Builds/goonj-1-82M"
model_path  = hf_hub_download(REPO, "kokoro_hindi_final.pth")
config_path = hf_hub_download(REPO, "config.json")
voice_path  = hf_hub_download(REPO, "voices/hi_meera.pt")

model = KModel(repo_id="hexgrad/Kokoro-82M",   # public; used only for defaults
               config=config_path, model=model_path).to("cuda").eval()
pack = torch.load(voice_path, weights_only=True)

phonemes = "mˌʊɟʰeː ʋɪʃʋˈaːs hɛː"   # from the G2P — see note below
ref_s = pack[min(len(phonemes) - 1, 509)]
audio = model(phonemes, ref_s, speed=1.0)  # 24 kHz mono tensor

G2P (important): phonemes must match training:

  • Devanagari Hindi → misaki.espeak.EspeakG2P(language="hi")
  • English → misaki English G2P (US)
  • Romanized Hinglish → hybrid routing: words in hinglish_lexicon.py → Devanagari → Hindi G2P; other words → English G2P

kokoro_generate.py implements all three with auto-detection.

Model journey

Model journey: 1.7B to 82M on the edge

Three iterations led here: Qwen3-TTS 1.7B (good pronunciation, noisy output, one checkpoint per persona — dropped) → VoxCPM2 ~800M LoRA (excellent cloning quality, but needs a reference clip at inference and server-class compute) → Kokoro-82M (this model: tiny, edge/CPU-capable, personas as 512KB voicepacks, zero reference audio).

Training

Two-stage StyleTTS2 finetune (via the kikiri-tts recipe) from Kokoro-82M v1.0 weights, multi-speaker (15 speakers):

StageEpochsBatchFinal val mel loss
Stage 1 (acoustic)13 (early-stopped of 30)80.264
Stage 2 (prosody + SLM adversarial)1260.332

Hardware: 1× NVIDIA L40S, ~7h total. Voicepacks extracted by averaging style/prosody encoder outputs over each persona's training clips.

Two upstream StyleTTS2 fixes were required for the multispeaker + no-diffusion configuration (unbound ref in the joint phase; predictor_encoder clobbering on resume).

Training data

Dataset pipeline

Dataset: BH-Builds/mac-audio — ~5,000 clips / ~10 hours across 15 voices: Hindi (Devanagari, ~2,800 clips), Indian English (~1,560), romanized Hinglish (~690). The dataset is synthetic, built in two steps: the 15 persona reference voices were created with ElevenLabs, and the bulk training audio was then synthesized from those references with Fish Audio S2 Pro via reference-conditioned voice cloning. In our subsequent evaluations, VoxCPM2 (OpenBMB) produced noticeably better reference-conditioned synthetic speech for Hindi/Hinglish, and future dataset versions will likely use it. Known data-quality limitations are inherited by this model.

Limitations

  • Synthetic training data (see above); some artifacts and pronunciation quirks carry over.
  • Hinglish G2P covers frequent words via lexicon; rare romanized-Hindi words fall back to English G2P and may sound anglicized.
  • English phonemization is US-based; the Indian-English accent comes from the audio, not the phonemes.
  • 82M-parameter model: fast and CPU-friendly, but below larger TTS models in naturalness ceiling.

License

Apache 2.0 (inherited from Kokoro-82M).

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
7056ccc

0 моделей