/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
VoxCPM2
Опубликована
30 июл 2026

voxcpm2-ewe-sft

Синтез речиТекст → аудио3 профессии

Дообученная FarmerlineML на языке эве модель VoxCPM2 для синтеза речи в голосовом помощнике darli AI.

24скачиваний за 30 дней0лайковвеса обновлены30 июл 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

FarmerlineML разработала VoxCPM2 Ewe — полное дообучение модели VoxCPM2 на речевых данных языка эве для голосового помощника darli AI в сельскохозяйственной сфере. Модель предназначена для преобразования текста в речь; для закрепления голосовой идентичности при генерации требуется референсная аудиозапись.

В репозитории находятся веса в формате safetensors размером около 9,2 ГБ и декодер AudioVAE. В README также рекомендуются ограничение длины генерации, рассчитанное по длине текста, и обрезка двух секунд тишины после генерации, чтобы снизить риск продолжения речи после конца предложения.

Модель распространяется по лицензии Apache-2.0. Карточка описывает обучение для конкретного голосового помощника; данных о качестве на других языках или сценариях нет.

Сценарии применения

  • озвучивание ответов голосового помощника на языке эве
  • генерация речи для сельскохозяйственного голосового сервиса
  • синтез речи с опорой на референсную аудиозапись

Ограничения

Для закрепления голосовой идентичности при инференсе требуется референсное аудио. README рекомендует ограничивать длину генерации и обрезать конечную тишину; качество для иных языков и сценариев не описано.

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

VoxCPM2 Ewe — Full SFT

Full fine-tune of VoxCPM2 on Ewe speech data. Trained by FarmerlineML for the darli AI agricultural voice assistant.

Training Details

ParameterValue
Base modelopenbmb/VoxCPM2 (2B)
MethodFull SFT (all parameters)
Learning rate1e-5
Batch size1 (grad accum 16, effective batch 16)
Sample rate16kHz (AudioVAE encoder input)
Final step1550

Validation Loss:

Steploss/totalloss/diffloss/stop
00.7221630.6443570.051871
5000.6118100.6009680.007228
10000.5595390.5579000.001092
15000.6010890.5916010.006325

Datasets:

Usage

from voxcpm import VoxCPM
import soundfile as sf
import numpy as np

model = VoxCPM.from_pretrained(
    "FarmerlineML/voxcpm2-ewe-sft",
    load_denoiser=False,
)

def trim_audio(wav, sr, silence_thresh=0.01, max_silence_secs=2.0):
    abs_wav = np.abs(wav)
    window  = int(0.05 * sr)
    n_wins  = len(abs_wav) // window
    max_sil = int(max_silence_secs / 0.05)
    silence_count, cut_sample = 0, len(wav)
    for w in range(n_wins):
        chunk = abs_wav[w * window:(w + 1) * window]
        if chunk.max() < silence_thresh:
            silence_count += 1
            if silence_count >= max_sil:
                cut_sample = (w - max_sil + 1) * window
                break
        else:
            silence_count = 0
    return wav[:min(cut_sample + int(0.1 * sr), len(wav))]

wav = model.generate(
    text="ŋdi na wò",  # TODO: replace with a real Ewe example phrase
    reference_wav_path="your_ewe_speaker.wav",
    cfg_value=2.0,
    inference_timesteps=15,
    retry_badcase=False,
    max_len=max(50, len(text) * 4),
)
wav = trim_audio(wav, 48000)
sf.write("output.wav", wav, 48000)

Repo Structure

├── model.safetensors        # Model weights (~9.2GB)
├── audiovae.pth             # AudioVAE decoder
├── config.json              # Model architecture config
├── tokenizer.json           # Tokenizer
├── training/
│   ├── train.log            # Full training log
│   ├── val_loss_summary.txt # Validation losses per checkpoint
│   └── training_state.json  # Final training state
└── tensorboard/             # TensorBoard event files

Notes

  • Reference audio is required at inference for voice identity anchoring
  • Use max_len=max(50, len(text) * 4) to prevent hallucination after sentence end
  • A post-generation 2-second silence trim is strongly recommended

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
119ce8e

0 моделей