/ Модель

Характеристики

Лицензия
MIT
Библиотека
pytorch
Опубликована
7 авг 2026

rwkvox

Синтез речиТекст → аудио

RWKVox синтезирует короткую речь по тексту и образцу голоса, воспроизводя тембр говорящего.

0скачиваний за 30 дней0лайковвеса обновлены7 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

RWKVox — модель синтеза речи с клонированием голоса, созданная на базе дообученной языковой модели RWKV-7. Она принимает текст и короткую запись голоса-образца, после чего генерирует аудио, имитирующее голос говорящего. В составе указаны речевая модель RWKV-7 на 0,4 млрд параметров, декодер S3Gen с HiFiGAN-вокодером и энкодер голоса, формирующий 256-мерные эмбеддинги говорящего.

Модель предназначена для синтеза коротких реплик: заявленное ограничение — около 500 токенов, или 11,5 секунды аудио. В карточке указан английский язык; README демонстрирует английский пример. Автор позиционирует проект как учебный и тестовый и не планирует дальнейшую разработку. Лицензия — MIT.

Сценарии применения

  • озвучивание коротких текстов голосом из аудиозаписи
  • создание голосовых реплик для прототипов
  • клонирование голоса для тестирования синтеза речи

Ограничения

Ограничение генерации — около 500 токенов, или 11,5 секунды аудио. Проект предназначен для обучения и тестирования; дальнейшая разработка не планируется.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🎙️ RWKVox — RWKV-7 Text-to-Speech

RWKV-7 powered text-to-speech with voice cloning.

RWKVox uses a fine-tuned RWKV-7 language model (0.4B parameters) as the backbone for speech synthesis. Given a short text and a reference voice clip, it generates natural-sounding speech that mimics the speaker's voice.

⚠️ Disclaimer: This project is intended for learning and testing purposes only. There are no plans to further develop or improve the models.

Quick Start

For full installation instructions, usage examples, CLI reference, and audio demos, see the GitHub repository:

👉 github.com/Ed-Lovera/rwkvox

Install & Run

git clone https://github.com/Ed-Lovera/rwkvox.git
cd rwkvox
pip install -e .

# Model weights (~2.8 GB) are downloaded automatically on first run
rwkvox --text "Hello, welcome to RWKVox." --voice my_voice.wav --output hello.wav

Model Files

FileSizeDescription
rwkv_tts_0.4B_best.pth1.8 GBRWKV-7 Speech LM (fine-tuned from RWKV-7 World 0.4B)
s3gen_meanflow.safetensors1016 MBS3Gen decoder (CFM flow-matching + HiFiGAN vocoder)
ve.safetensors5.5 MBVoice Encoder (256-dim speaker embeddings)

Model Details

AttributeValue
ArchitectureRWKV-7 (24 layers, d_model=1024)
Parameters0.4B
Audio Limit~500 tokens (~11.5 seconds)
Sample Rate24,000 Hz
BackboneRWKV-7 World 0.4B

License

This project is released under the MIT License.

Third-Party Licenses

This project incorporates and builds upon the following open-source components:

ComponentLicenseUsage
RWKV-7Apache 2.0Model architecture; fine-tuned weights derived from RWKV-7 World 0.4B (© Bo Peng)
ChatterboxMITVoice Encoder and S3Gen decoder (© 2025 Resemble AI)
flash-linear-attentionMITRWKV-7 attention implementation

The RWKV-7 weights included in rwkv_tts_0.4B_best.pth are derived from the RWKV-7 World 0.4B base model (Apache 2.0, © Bo Peng). The Voice Encoder (ve.safetensors) and S3Gen decoder (s3gen_meanflow.safetensors) are from the Chatterbox project (MIT, © 2025 Resemble AI).

Full license texts are available in the GitHub repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

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

Ревизия весов
8557576

0 моделей