/ Модель

Характеристики

Размер весов
327 МБ
Лицензия
Apache 2.0
Базовая модель
Kokoro-82M
Опубликована
8 июл 2026

kokoro-sv-voices

Синтез речиТекст → аудио3 профессии

Дообученная на шведской речи модель Kokoro-82M синтезирует речь десятью голосами с возможностью смешивать голосовые профили.

1 588скачиваний за 30 дней5лайковвеса обновлены8 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

Joakim разработал Kokoro Swedish — дообученную версию Kokoro-82M для синтеза шведской речи. Модель построена на StyleTTS2 и обучена на записях 23 носителей шведского языка общей длительностью около 8,6 часа. В комплект входят 10 именованных голосов; голосовые профили можно смешивать, чтобы получать промежуточный тембр и подачу.

Модель предназначена для преобразования шведского текста в речь с выбором голоса и управлением просодией. Для воспроизведения требуется фонемизация с помощью шведского G2P из Joakim/swedish-kokoro, согласованная с обучением. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

В README отмечено, что мужские голоса звучат несколько мягче из-за преобладания женских голосов в обучающей выборке. Также у синтеза остаётся артефакт декодера, который частично уменьшается фильтрацией.

Сценарии применения

  • Озвучивание шведского текста разными голосами
  • Создание голосовых реплик для приложений на шведском языке
  • Генерация аудиокниг и материалов для чтения на шведском
  • Подбор промежуточного тембра смешиванием голосовых профилей

Ограничения

Мужские голоса звучат несколько мягче из-за преобладания женских голосов в обучающей выборке. В синтезе остаётся артефакт декодера, который можно уменьшить фильтрами, но не устранить полностью.

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

Kokoro Swedish — multi-speaker voice pack (10 named voices)

A Swedish Kokoro-82M model fine-tuned on 23 real Swedish speakers (NST + LibriVox, ~8.6 h), shipped with 10 named voicepacks. One model, many voices — each voice is a 512 KB style tensor; the model reproduces each speaker's prosody, so the voices are genuinely dynamic (not the flat prosody typical of single-speaker distillation).

Voices

voicevoice
Alice ♀ calmBjörn ♂ deep
Elsa ♀Lars ♂
Ebba ♀Nils ♂
Stina ♀ expressiveAnton ♂
Greta ♀ (skånska accent)Oskar ♂

Prosody-responsiveness is measured: feeding a monotone speaker's voicepack yields ~4.9 semitone F0-variation; an expressive one yields ~9.5 — the style vector genuinely steers delivery.

Files

filewhat
kokoro_sv.pthKModel-format multi-speaker weights
voices/<Name>.pt[510,1,256] voicepack per named voice
config.jsonSwedish 178-token Kokoro config
samples/<Name>.wavone sample line per voice

The neural Swedish G2P (required — inference must phonemize identically to training) lives in Joakim/swedish-kokoro.

Usage

import torch, soundfile as sf
from kokoro import KModel
from scipy.signal import iirnotch, filtfilt
from g2p_sv import SwedishG2P            # SV_NEURAL_G2P=nst_g2p

model = KModel(repo_id="hexgrad/Kokoro-82M", config="config.json", model="kokoro_sv.pth").eval()
voice = torch.load("voices/Stina.pt", weights_only=True)   # pick any voice
g2p = SwedishG2P(backend="neural")

ipa = g2p("Hej, jag är CandyTron, din godisrobot!")
ids = [i for i in (model.vocab.get(p) for p in ipa) if i is not None]
audio = model.forward_with_tokens(torch.LongTensor([[0]+ids+[0]]), voice[len(ids)-1], speed=1.0)[0].squeeze().numpy()
for f0 in (2400, 4800, 7200, 9600):          # notch the fine-tune upsampler tones
    b, a = iirnotch(f0, Q=35, fs=24000); audio = filtfilt(b, a, audio)
sf.write("out.wav", audio, 24000)

Voicepacks interpolate: 0.6*voiceA + 0.4*voiceB gives an intermediate voice/intensity.

Known limitations (this is v1)

  • Male voices are a touch soft. The training mix is ~66% female, so the decoder leans female and renders male voices less fully male than a dedicated model would. A gender-balanced v2 base is planned. Björn is the deepest/most-male here.
  • A residual decoder "comb" (~1.5 on our metric vs ~0.4 for single-speaker) is reduced by the four notch filters in the usage snippet; some remains.

Provenance

  • Speakers: NST Swedish ASR corpus (CC0, via HF KTH/nst)
  • Training: kikiri-tts two-stage recipe (StyleTTS2), multispeaker, mel-GAN + WavLM SLM, max_len 800, decoder-lr 1e-5. Checkpoints selected by ASR-gated evaluation (KBLab VoxRex CER + DNSMOS), never loss alone.
  • Trained on an NVIDIA GB10.

Credits

hexgrad/Kokoro-82M · semidark/kikiri-tts · yl4579/StyleTTS2 · Språkbanken/NST · KBLab VoxRex (eval)

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
2c7968d

0 моделей