/ Модель

Характеристики

Контекст
32 768 токенов
Лицензия
Apache 2.0
Архитектура
moss_tts_nano · dense
Базовая модель
MOSS-TTS-Nano
Опубликована
1 июл 2026

roxi-tts-v3

Генерация текстаТекст → текст

Roxi-TTS v3 — LoRA-модель для синтеза английской речи с индийским акцентом голосом диктора IndicTTS.

8скачиваний за 30 дней2лайкавеса обновлены1 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

Roxi-TTS v3 — модель синтеза речи на английском языке с индийским акцентом, созданная как LoRA-дообучение MOSS-TTS-Nano другим голосом IndicTTS. Это плотная авторегрессионная модель семейства MOSS-TTS-Nano; метаданные указывают базовую модель OpenMOSS-Team/MOSS-TTS-Nano, контекст 32 768 токенов и формат весов safetensors. Модель генерирует речь с частотой 48 кГц.

Модель предназначена для преобразования короткого английского текста в речь голосом индийского диктора. В README приведены сходство с целевым голосом 0,96 и WER 0,29; автор отмечает, что звучание остаётся несколько синтетическим. Генерация стохастическая, поэтому клипы могут обрываться; для надёжности рекомендуется использовать короткие предложения и при необходимости повторять генерацию. Для работы README рекомендует transformers 4.57.1. Лицензия — Apache-2.0.

Сценарии применения

  • озвучивание коротких английских фраз индийским голосом
  • создание тестовых аудиозаписей с индийским английским
  • сравнение вариантов голосов для английского TTS

Ограничения

Речь может звучать синтетически; качество разборчивости в README отражено WER 0,29. Генерация стохастическая и иногда обрывает клип, поэтому лучше использовать короткие предложения и повторять неудачные запуски.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Roxi-TTS v3 — Indian-English (alternate voice)

A second Indian-English LoRA fine-tune of MOSS-TTS-Nano, on a different IndicTTS-English speaker than roxi-tts-v2 — trained on more data (~70 min) to compare voices. 48 kHz. Includes the cross-version compatibility fixes (loads on transformers 4.57.1 → 5.x code paths; SDPA default, no flash-attn).

v2 vs v3

roxi-tts-v2roxi-tts-v3
SpeakerIndicTTS spk A (~50 min)IndicTTS spk B (~70 min), distinct voice (0.66 sim to v2)
Speaker-sim to its target0.960.96
Intelligibility WER0.260.29
Notesmild read voicedifferent timbre; fuller data → fewer early cut-offs in testing

Both are ~0.1 B models on read-speech studio data, so both still sound somewhat synthetic — pick whichever voice you prefer by ear.

Requirements & usage

Use transformers==4.57.1 (this custom code misbehaves on transformers 5.x — NaN/noise).

pip install "transformers==4.57.1" torch torchaudio soundfile sentencepiece librosa
import torch
from transformers import AutoModelForCausalLM
device = "cuda" if torch.cuda.is_available() else "cpu"
model = AutoModelForCausalLM.from_pretrained(
    "IOTEverythin/roxi-tts-v3", trust_remote_code=True, 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,
)
from IPython.display import Audio; Audio("out.wav")

Generation is stochastic — if a clip cuts off, re-run (or use the retry+trim helper). Keep sentences short for reliability.

Attribution & license

Apache-2.0. Built on MOSS-TTS-Nano (Apache-2.0) + audio tokenizer (Apache-2.0). Training data: IIT-Madras Indic TTS (English) via SPRINGLab/IndicTTS-English. Required notice: "COPYRIGHT 2016 TTS Consortium, TDIL, Meity — Hema A. Murthy & S. Umesh — IIT Madras. ALL RIGHTS RESERVED." Do not use to impersonate real people or for deception; disclose AI-generated audio where required.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
MossTTSNanoForCausalLM
Ревизия весов
1df4673

0 моделей