/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
omnivoice · dense
Базовая модель
OmniVoice
Библиотека
transformers
Опубликована
12 апр 2026

omnivoice-finetuned-ka

Синтез речиТекст → аудио3 профессии

Дообученная версия OmniVoice для синтеза грузинской речи с клонированием голоса по аудиообразцу.

135скачиваний за 30 дней6лайковвеса обновлены13 апр 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

NMikka разработал OmniVoice Georgian — вариант OmniVoice, дообученный для синтеза грузинской речи. Модель принимает текст и может использовать аудиозапись образца голоса для клонирования голоса без дополнительного обучения; также предусмотрен режим задания характеристик голоса без образца. Авторы сообщают о дообучении на примерно 150 часах грузинской речи от 29 дикторов.

Модель предназначена прежде всего для преобразования грузинского текста в речь, а также для синтеза на английском и кросс-языкового клонирования голоса с грузинским образцом. По данным README, качество грузинской фонетики и интонации улучшилось по отзывам носителей, а разборчивость на FLEURS близка к исходной OmniVoice. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0.

К ограничениям авторы относят отсутствие формальной оценки MOS, небольшое снижение сходства с голосом диктора и недостаточную проверку просодии при синтезе на английском. Улучшение качества оценивается частично по отзывам слушателей, а поддержка языков помимо грузинского и английского после узкоязычного дообучения может ухудшиться.

Сценарии применения

  • синтез грузинской речи из текста
  • клонирование грузинского голоса по аудиообразцу
  • озвучивание английского текста голосом грузинского диктора
  • создание грузинских голосовых интерфейсов

Ограничения

Для модели нет формальной оценки MOS; авторы сообщают о небольшом снижении сходства с голосом диктора. Качество просодии английской речи и сохранность поддержки других языков после дообучения проверены ограниченно.

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

OmniVoice Georgian — Fine-Tuned

A fine-tuned variant of k2-fsa/OmniVoice for Georgian (ქართული) text-to-speech with zero-shot voice cloning support. Trained on an Georgian speech corpus (~150 hours, 29 speakers) using a low learning rate (2e-5) to preserve the multilingual capabilities of the base model.

📊 Benchmark report: github.com/NMikaa/TTS_pipelines 🛠️ Training recipe: pipelines/omnivoice/README.md

Why use this model?

Compared to the pretrained OmniVoice baseline, this fine-tuned variant offers:

  1. Robust voice generation across genders. Pretrained OmniVoice tends to collapse toward overrepresented Common Voice speakers — when given a male settings, it sometimes generates female output. This model produces both male and female voices reliably from any Georgian reference.

  2. No language leakage in cross-lingual cloning. Verified 0% Georgian Unicode leakage in English ASR transcripts when using a Georgian reference for English text generation.

  3. Subjective Georgian quality. Native Georgian listener feedback indicates clearly more authentic phonation, vowel quality, and intonation compared to pretrained.

  4. Matches pretrained intelligibility. Within 0.03% CER on FLEURS Georgian (1.61% vs 1.64%) — statistical noise — while delivering the qualitative improvements above.

Installation

OmniVoice is not on PyPI yet — you must install it from source first. Then this model can be loaded directly via from_pretrained.

# Install OmniVoice from source (requires Python 3.10+, torch 2.8+ recommended)
pip install git+https://github.com/k2-fsa/OmniVoice.git

# Optional: install datasets if you want to evaluate
pip install datasets soundfile torchaudio

GPU recommended. Inference works on CPU but is much slower. ~3GB VRAM is enough for inference in fp16. Note about torchaudio 2.11+: torchaudio 2.11 removed all backends except torchcodec. If you hit ImportError: TorchCodec is required, either install torchcodec (pip install torchcodec) or downgrade to torchaudio==2.8.0.

Quick Start

import torch
from omnivoice import OmniVoice
from omnivoice.models.omnivoice import OmniVoiceGenerationConfig
import torchaudio

model = OmniVoice.from_pretrained(
    "NMikka/omnivoice-finetuned-ka",
    device_map="cuda:0",
    dtype=torch.float16,
    load_asr=True,  # auto-transcribe reference audio
)

# Voice cloning with reference
prompt = model.create_voice_clone_prompt(
    ref_audio="reference.wav",
    ref_text=None,  # auto-transcribed if None
)

result = model.generate(
    text="გამარჯობა, ეს არის ქართული ტექსტი.",
    language="Georgian",
    voice_clone_prompt=prompt,
    generation_config=OmniVoiceGenerationConfig(
        num_step=32,
        guidance_scale=2.0,
    ),
)

torchaudio.save("output.wav", result[0].cpu(), 24000)

For voice design (without reference audio), use instruct= instead of voice_clone_prompt=:

result = model.generate(
    text="გამარჯობა, ეს არის ქართული ტექსტი.",
    language="Georgian",
    instruct="female, young adult",
    generation_config=OmniVoiceGenerationConfig(num_step=32, guidance_scale=2.0),
)

Benchmark Results (FLEURS Georgian, 979 samples, normalized text)

ModelFL-CER ↓FL-MOS ↑TTSDS Pitch ↑TTSDS SR ↑Voice Cloning
This model (099v2_ckpt480)1.61%2.92082.0775.51✅ Robust both genders
OmniVoice pretrained1.64%2.74985.6476.34⚠️ Speaker collapse

See the full benchmark report for TTSDS prosody analysis, per-checkpoint ablations, and discussion of the metrics-vs-listening gap for low-resource languages.

Training Details

ParameterValue
Base modelk2-fsa/OmniVoice (Qwen3-0.6B + HiggsAudioV2 codec, 600M params)
Training data~100 hours of Georgian Speech Data
Quality threshold0.99 text-audio match ratio
Learning rate2e-5 (lower than official 5e-5 to preserve cross-lingual capabilities)
Warmup ratio0.01
Steps480 (~2 epochs)
Batch size4096 tokens × 2 GPUs × 4 grad accum = ~32k effective
Mixed precisionbf16
Hardware2 × A6000 (48GB)

Critical findings:

  • lr=2e-5 is the right choice — the official 5e-5 caused too much catastrophic forgetting of cross-lingual capability
  • Best checkpoint is at ~2 epochs (step 480). Beyond epoch 4, English regression starts to appear
  • 0% language leakage in cross-lingual cloning (verified on FLEURS English with Georgian reference)

Limitations

  1. No native human MOS evaluation — the gold standard for TTS quality. We rely on automatic metrics + native listener feedback (anecdotal). A formal MOS study would be the next step.
  2. Subjective improvements are not fully captured by automatic metrics — TTSDS Pitch and CER scores are slightly worse than pretrained, but Georgian listeners report clearly better quality. This is documented in detail in the benchmark report.
  3. Speaker similarity decreased slightly vs pretrained (0.683 vs 0.717 on CV-GEO with WavLM-ECAPA) — typical artifact of fine-tuning a multilingual model on a narrower distribution.
  4. English quality unchanged or slightly improved but cross-lingual prosody quality not formally verified beyond CER.

Intended Use

  • Georgian text-to-speech with voice cloning
  • Multilingual applications requiring Georgian + English synthesis
  • Research on fine-tuning multilingual TTS models for low-resource languages

Out of scope:

  • Highest possible Georgian intelligibility — for that, see MagPIE TTS Georgian
  • Languages other than Georgian and English (the base model supports 646 languages but fine-tuning was only on Georgian; other languages may degrade slightly (I HOPE NOT :) )

Citation

@misc{omnivoice-georgian-2026,
  author = {Mikaberidze, Nika},
  title = {OmniVoice Georgian: Fine-tuning and Benchmark for Georgian Text-to-Speech},
  year = {2026},
  publisher = {GitHub},
  url = {https://github.com/NMikaa/TTS_pipelines}
}

Please also cite the base OmniVoice paper:

@article{omnivoice2026,
  title = {OmniVoice: Towards Omnilingual Zero-Shot Text-to-Speech with Diffusion Language Models},
  author = {Zhu, Han and others},
  year = {2026},
  url = {https://arxiv.org/abs/2604.00688}
}

License

Apache 2.0, inherited from the base k2-fsa/OmniVoice.

Acknowledgments

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура omnivoice неизвестна transformers в образе рантайма.

Класс архитектуры
OmniVoice
Ревизия весов
00b17ee

0 моделей