/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
piper
Опубликована
22 сен 2026

piper-en_AU-librivox-medium

Синтез речиТекст → аудио3 профессии

Модель Piper на базе VITS синтезирует австралийский английский десятью голосами из литературных записей LibriVox.

1 192скачиваний за 30 дней1лайквеса обновлены22 сен 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

enAU-librivox-medium — модель синтеза речи для Piper, разработанная автором репозитория DataCraftsmanAustralia. Она объединяет десять голосов австралийского английского в одной модели VITS и предназначена для озвучивания текста с выбором диктора. Модель содержит около 70 млн параметров, выдаёт монофонический звук с частотой 22,05 кГц и работает на CPU; опубликована в формате ONNX.

Обучение проведено на записях LibriVox из общественного достояния. Речь звучит как формальное литературное чтение с австралийским акцентом, а не как современная разговорная речь. Исходные тексты относятся к литературе XIX — начала XX века, поэтому модель слабее справляется с числами, сокращениями, техническими терминами, URL, электронными письмами и временными метками. Качество записей голосов неоднородно, а автоматические транскрипции не исправлялись. Лицензия модели — CC BY 4.0.

Сценарии применения

  • озвучивание английских литературных текстов с австралийским акцентом
  • создание аудиокниг с выбором одного из десяти голосов
  • локальная генерация речи на CPU
  • синтез коротких фраз на австралийском английском

Ограничения

Модель обучена преимущественно на литературных текстах XIX — начала XX века и хуже обрабатывает числа, сокращения, технические термины, URL, письма и метки времени; манера чтения формальная, не разговорная. Качество исходных домашних записей неоднородно, транскрипции автоматически сгенерированы и не исправлялись.

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

en_AU-librivox-medium

Ten Australian English voices in one Piper (VITS) model. 22,050 Hz mono, ~70M parameters, 77 MB, runs on CPU. Trained on public domain LibriVox recordings. Piper ships no en_AU voice, this fills that gap. The model was trained on a single RTX 6000 Pro over 24 hours, it was still improving slowly when training was paused, so there could still be room to improve.

Voices

Samples all say "I reckon we should head down to the beach before it gets too hot."

Usage

pip install piper-tts
echo "Good on ya mate." | python -m piper -m en_AU-librivox-medium.onnx -s 5 -f out.wav
import wave
from piper import PiperVoice, SynthesisConfig

voice = PiperVoice.load("en_AU-librivox-medium.onnx")
with wave.open("out.wav", "wb") as f:
    voice.synthesize_wav("Good on ya.", f, SynthesisConfig(speaker_id=5))

The .onnx.json is required, it holds the speaker map.

Speech rate. length_scale 1.0 is the trained rate; higher is slower. Set tully and clancy to 1.25 and marlo to 1.08, they rush sometimes, and the samples above are all at 1.0. For serving layers that read the rate from the config instead, configs/ has ready made variants; copy the .onnx alongside under the matching name.

Training

See my training repo on github: https://github.com/DataCraftsmanAustralia/piper-en_AU

Limitations

  • Narrow domain. All source text is 19th/early 20th century literature. No modern sentences, URLs, emails or timestamps. Numerals, abbreviations and technical terms are the weakest point.
  • Period inflected accent - formal literary reading, not conversational.
  • Voice quality is inherited from home recordings: poor mics, volume drift, band limiting. Training more probably won't fix it.
  • Transcripts were machine generated (faster-whisper) and uncorrected.
  • Not really certain about clancy being Australian, realised after training.

Licence

CC BY 4.0. Commercial use, redistribution and further fine tuning permitted.

Full terms, the ten narrators and provenance: ATTRIBUTION.md.

Как запустить

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

GPU в ailist

Универсальный рантайм · piper

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
7f35faf

0 моделей