Update (2025-02-13): Add Llasa finetune instruction.
LLaSA: Scaling Train-Time and Inference-Time Compute for LLaMA-based Speech Synthesis
Характеристики
- Контекст
- 131 072 токена
- Параметры
- 1,4 млрд
- Размер весов
- 5,2 ГБ
- Лицензия
- CC BY-NC 4.0
- Архитектура
- llama · dense
- Базовая модель
- Llasa-1B
- Опубликована
- 13 фев 2025
Ссылки
Llasa-1B-two-speakers-kore-puck
Производная модели HKUSTAudio/Llasa-1B-multi-speakers-genshin-zh-en-ja-ko. Дообученная модель HKUST Audio на базе Llama для синтеза речи из текста с настройкой на несколько голосов.
14скачиваний за 30 дней6лайковвеса обновлены13 фев 2025
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Тесты пользователейпока нет
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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
Карточка модели HKUSTAudio/Llasa-1B-two-speakers-kore-puck на Hugging Face совпадает с карточкой HKUSTAudio/Llasa-1B-multi-speakers-genshin-zh-en-ja-ko, поэтому описание составлено по ней.
HKUST Audio Llasa-1B-multi-speakers-genshin-zh-en-ja-ko — дообученная на базе HKUSTAudio/Llasa-1B-Multilingual модель семейства Llama для синтеза речи из текста. Название указывает на настройку для нескольких голосов и контента, связанного с Genshin; в доступном README подробности этой настройки не раскрыты.
Модель имеет плотную архитектуру Llama с 1,4 млрд параметров, использует формат safetensors и заявлена для задачи text-to-speech. Метаданные указывают китайский и английский языки; японский и корейский присутствуют в названии репозитория, но их поддержка карточкой отдельно не подтверждена. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.
Сценарии применения
- синтез речи из текста
- создание озвучки с несколькими голосами
- генерация речи на китайском языке
- генерация речи на английском языке
- озвучивание диалогов персонажей
Ограничения
Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Доступный README не описывает точный охват голосов и качество синтеза; поддержка японского и корейского языков не подтверждена метаданными.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделейI.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953моделиII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…
- Класс архитектуры
- LlamaForCausalLM
- Ревизия весов
- dda8da1