/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,4 млрд
Размер весов
6,8 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
llama · dense
Базовая модель
Anime-Llasa-3B
Опубликована
19 окт 2025

Anime-Llasa-3B-Captions

Генерация текстаТекст → текст3 профессии

Японская Llama-совместимая модель для управляемого синтеза речи с настройкой голоса, эмоций, темпа и стиля.

18скачиваний за 30 дней14лайковвеса обновлены23 окт 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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. 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

Anime-Llasa-3B-Captions — японская модель синтеза речи, созданная NandemoGHS дополнительным дообучением NandemoGHS/Anime-Llasa-3B. Это плотная Llama-совместимая языковая модель с 3,4 млрд параметров и контекстом до 131 072 токенов; веса опубликованы в формате safetensors. Для обучения использованы аудиоданные с подробными описаниями, профилями говорящих и тегами эмоций, подготовленными с помощью Gemini 2.5 Pro.

Модель преобразует текст в речь и позволяет задавать характеристики звучания: описание аудио, голосовой профиль, эмоцию, настроение, темп, просодию, тембр и стиль. Такие параметры можно передавать в системном запросе, а отдельные указания, например шёпот, добавлять прямо в японский текст в полноширинных скобках. Модель рассчитана на японский язык и сценарии выразительной, управляемой синтезации речи.

Следование управляющим тегам неполное и зависит от объёма и качества обучающих данных. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства на условиях, запрещающих коммерческое применение.

Сценарии применения

  • синтез японской речи из текста
  • генерация японских реплик с заданной эмоцией
  • создание речи с профилем и характеристиками голоса
  • синтез японской речи шёпотом или с заданной просодией
  • озвучивание диалогов в разговорном или повествовательном стиле

Ограничения

Управляющие теги и характеристики голоса могут выполняться не точно; качество ограничено объёмом и качеством обучающих данных. Лицензия запрещает коммерческое использование.

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

Anime-Llasa-3B-Captions

Overview

This is Anime-Llasa-3B-Captions, a Text-to-Speech (TTS) model fine-tuned for Japanese, based on NandemoGHS/Anime-Llasa-3B.

This version has been further fine-tuned with additional data, incorporating detailed audio metadata generated by Gemini 2.5 Pro.

What's New: Fine-Tuning with Audio Metadata

The key improvement in this model is its training methodology. I used Gemini 2.5 Pro to generate detailed metadata (captions, speaker profiles, emotions, etc.) for the audio data. The model was then fine-tuned on this dataset, learning to associate text with these rich descriptive tags.

This allows for highly controllable speech synthesis by specifying desired audio characteristics in the prompt.

How to Use: Controlling Speech Generation

You can control the generated speech in two main ways:

1. Using System Prompt Metadata

You can guide the speech synthesis by providing specific tags in the system prompt. The model expects the following format (note: emotion tags are in English, while others should be in Japanese):

  • caption: (Required) A general description of the audio content.
  • emotion: Emotion tag (e.g., angry, sad, happy, serious).
  • profile: Speaker profile (e.g., 若い女性声, 大人の男性声).
  • mood: Mood (e.g., 恥ずかしさ, 悲しみ).
  • speed: Speaking speed (e.g., ゆっくり, 速い).
  • prosody: Prosody/Rhythm (e.g., 震え声, 平坦).
  • pitch_timbre: Pitch/Timbre (e.g., 高め, 低め, 息多め).
  • style: Style (e.g., ナレーション風, 会話調).
  • notes: Special notes (距離感、ブレスなど).

2. Using In-Text Tags (Full-Width Parentheses)

Additionally, you can control the speech style directly within the transcription text by using full-width Japanese parentheses ( ).

For example, adding (囁き) (whisper) to the text will prompt the model to generate that part of the speech in a whispering voice.

Example Input Text: 「これはテストです。(囁き)聞こえますか?」

Demo

For detailed usage instructions and to try the model, please see the Hugging Face Space:

Anime-Llasa-3B-Captions-Demo

Limitations

Please note that due to limitations in the amount and quality of the training data, the model cannot be controlled perfectly. The generated speech may not always reflect the specified tags precisely.

Training Data

The dataset used for this fine-tuning, which includes the Gemini 2.5 Pro generated captions, is available here:

NandemoGHS/Galgame_Gemini_Captions

Old Versions

License

This model is licensed under CC-BY-NC-4.0.

Additionally, as this model includes outputs from Gemini 2.5 Pro in its training data, any use that competes with Gemini is prohibited.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
b9df5b0

0 моделей