/ Модель

Характеристики

Контекст
32 768 токенов
Лицензия
Apache 2.0
Архитектура
moss_tts_nano · dense
Базовая модель
MOSS-TTS-Nano
Библиотека
transformers
Опубликована
29 июн 2026

roxi-tts-v2

Генерация текстаТекст → текст3 профессии

Roxi-TTS v2 преобразует текст в нейтральную речь с голосом индийского диктора английского языка для разговорных и клиентских сценариев.

11скачиваний за 30 дней3лайкавеса обновлены30 июн 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

Roxi-TTS v2 — модель синтеза речи, разработанная IOTEverythin как LoRA-дообучение MOSS-TTS-Nano. Она преобразует текст в монофоническую речь на индийском варианте английского с голосом одного диктора по умолчанию; референсная аудиозапись для синтеза не требуется. Архитектура — авторегрессионная модель с языковой частью и аудиотокенами, размер базовой модели — около 0,1 млрд параметров, частота выходного аудио — 48 кГц. Указанное в метаданных окно контекста составляет 32 768 токенов.

Модель предназначена для разговорной озвучки и сценариев поддержки клиентов. В описанных измерениях сходство голоса с целевым диктором выросло до 0,96 по WavLM-SV cosine, а показатель WER на сгенерированном аудио остался на уровне базовой модели — 0,26. Стиль и эмоции надёжно не управляются; модель обучена на одном дикторе с нейтральной речью, а качество для телефонии 8 кГц отдельно не настраивалось. Авторы запрещают использовать голос для имитации людей, мошенничества и обмана. В метаданных репозитория указана лицензия Apache-2.0; в README также приведено требование об атрибуции датасета IIT-Madras Indic TTS и его EULA.

Сценарии применения

  • озвучивание реплик виртуального помощника на индийском английском
  • генерация голосовых ответов для службы поддержки
  • создание озвучки диалогов без загрузки образца голоса
  • синтез речи для демонстраций и прототипов голосовых интерфейсов

Ограничения

Модель обучена на одном дикторе с нейтральной речью, поэтому управление стилем и эмоциями ненадёжно; качество для телефонной связи с частотой 8 кГц отдельно не настраивалось. Не следует использовать голос для имитации реальных людей, мошенничества или обмана.

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

Roxi-TTS v2 — Indian-English voice (MOSS-TTS-Nano LoRA fine-tune)

A LoRA fine-tune of MOSS-TTS-Nano (0.1B, autoregressive audio-token + LLM, 48 kHz) that speaks Indian English as its default voice — no reference clip required. Built for conversational / customer-support use.

Successor to IOTEverythin/voxi-tts (Kokoro-82M, EMNS). This v2 moves to the MOSS-TTS-Nano family and adapts the voice with LoRA (full fine-tuning catastrophically forgets on a 0.1B model; LoRA adapts the voice while preserving the base's intelligibility).

What it is

  • Base: OpenMOSS-Team/MOSS-TTS-Nano (Apache-2.0) · audio tokenizer OpenMOSS-Team/MOSS-Audio-Tokenizer-Nano (Apache-2.0)
  • Method: LoRA (PEFT) — r=16, α=32, targets c_attn,c_proj,fc_in,fc_out (2.13% params), BF16, merged into a full checkpoint.
  • Output: 48 kHz mono.

Results (measured)

MetricBase MOSSRoxi-TTS v2 (no reference)
Speaker similarity to target (WavLM-SV cosine) ↑0.520.96
Intelligibility WER (Whisper, on generated audio) ↓0.260.26 (preserved)

The voice became the target Indian-English speaker without a reference clip, with intelligibility unchanged.

Requirements

This repo's custom modeling code includes a cross-version compatibility fix, so it loads on both transformers==4.57.1 and modern Transformers (tested 5.12.1) — the older TypeError: unsupported operand type(s) for |: 'list' and 'set' is resolved. Install:

pip install transformers torch torchaudio soundfile sentencepiece numpy huggingface_hub
# GPU (Blackwell/most NVIDIA), if needed:
#   pip install torch==2.7.0 torchaudio==2.7.0 --index-url https://download.pytorch.org/whl/cu128

torchaudio is required (the modeling code imports it). The MISSING ..._lm_head.weight line in the load log is cosmetic — those heads are tied weights, rebound to the embeddings on load. For exact parity with the training environment you may still pin transformers==4.57.1.

Usage

import torch
from transformers import AutoModelForCausalLM

device = "cuda" if torch.cuda.is_available() else "cpu"
model = AutoModelForCausalLM.from_pretrained(
    "IOTEverythin/roxi-tts-v2", trust_remote_code=True, torch_dtype=torch.float32,
).to(device).eval()

res = model.inference(
    text="Welcome. Your appointment is confirmed for Monday at ten thirty in the morning.",
    output_audio_path="out.wav", mode="continuation",
    audio_tokenizer_type="moss-audio-tokenizer-nano",
    audio_tokenizer_pretrained_name_or_path="OpenMOSS-Team/MOSS-Audio-Tokenizer-Nano",
    device=device, audio_repetition_penalty=1.1, use_kv_cache=True,
)
# res["sample_rate"] == 48000; audio written to out.wav

Tips: spell brand names phonetically (e.g. "Voz Vox") and avoid raw abbreviations ("in the morning", not "A M"); write numbers as words. Trim trailing silence and re-run if a generation comes out short (autoregressive models occasionally under-generate). Verified working on transformers==4.57.1, torch==2.7.0.

Training data & attribution

  • Dataset: IIT-Madras Indic TTS — English (Indian-English) subset, via the SPRINGLab/IndicTTS-English Hugging Face mirror (studio 48 kHz read speech).
  • The fine-tune was trained on a single-speaker subset of that corpus.

Required notice (IIT-M Indic TTS End User License Agreement):

COPYRIGHT 2016 TTS Consortium, TDIL, Meity — represented by Hema A. Murthy & S. Umesh, Department of Computer Science and Engineering and Electrical Engineering, IIT Madras. ALL RIGHTS RESERVED.

The Indic TTS EULA grants a royalty-free, worldwide license to create and freely distribute derivative works (such as this model). See https://www.iitm.ac.in/donlab/indictts/ for the dataset and full license.

Limitations & responsible use

  • Trained on a single read-speech speaker; neutral style. Style/emotion control is not reliable yet (instruction-conditioning is wired but needs style-labeled training).
  • Telephony (8 kHz) quality not separately tuned; evaluate before production.
  • Voice likeness: this voice is derived from a real dataset speaker. Do not use it to impersonate any real person, for fraud, deception, or any unlawful/harmful purpose. Disclose AI-generated audio where required. The authors provide the weights "as is", without warranty.

License

  • This model's LoRA/code: Apache-2.0 (matching the base model).
  • Derived from MOSS-TTS-Nano (Apache-2.0) and IIT-M Indic TTS data (notice above retained).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MossTTSNanoForCausalLM
Ревизия весов
ccf94ef

0 моделей