/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
1,2 млрд
Лицензия
CC BY-NC-SA 4.0
Архитектура
olmo · dense
Библиотека
outetts
Опубликована
13 янв 2025

OuteTTS-0.3-1B

Генерация текстаТекст → текст3 профессии

Многоязычная модель OuteAI на базе OLMo-1B, которая синтезирует речь из текста и заявлена также для преобразования речи в речь.

79скачиваний за 30 дней108лайковвеса обновлены24 апр 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

OuteTTS-0.3-1B — модель синтеза речи от OuteAI на базе OLMo-1B с плотной архитектурой причинного языкового моделирования. Она расширяет языковую модель возможностью преобразовывать текст в речь; README также заявляет поддержку преобразования речи в речь. Модель содержит 1,2 млрд параметров, использует формат safetensors, рассчитана на контекст до 4096 токенов и интегрируется через библиотеку outetts.

Модель обучена на примерно 20 000 часах речевых данных и поддерживает английский, японский, корейский, китайский, французский и немецкий языки. Версия 0.3 учитывает знаки пунктуации при синтезе, что улучшает связность и естественность речи. Управление голосом присутствует в экспериментальном виде и может работать непоследовательно. README указывает, что модель лучше всего работает с генерацией партиями около 30 секунд; доступное окно сокращается с учётом длины образца голоса.

Базовая модель — OLMo-1B, лицензированная Apache-2.0, но сама OuteTTS-0.3-1B распространяется по CC-BY-NC-SA-4.0. Лицензия ограничивает коммерческое использование; при выборе сценария следует учитывать условия лицензии и происхождение обучающих данных.

Сценарии применения

  • синтез английской речи из текста
  • озвучивание текстов на японском, корейском и китайском языках
  • озвучивание текстов на французском и немецком языках
  • создание речи с учётом пунктуации
  • экспериментальное управление характеристиками генерируемого голоса

Ограничения

Управление голосом находится на ранней экспериментальной стадии и может давать непоследовательные результаты или игнорироваться. README указывает на лучшие результаты при генерации партиями примерно до 30 секунд; образец голоса сокращает эффективную длительность.

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

OuteTTS Version 0.3

OuteTTS version 0.3 introduces multiple model variants tailored for diverse use cases. This release significantly enhances the naturalness and coherence of speech synthesis by adding punctuation support, improving the flow and clarity of generated speech. The following punctuation marks are supported: '.', '!', '?', ',', '"', '„', '¡', '¿', '…', '...', '。', '!', '?', ',', '؟'. These are converted into special tokens, for instance, . is transformed into <|period|>. Additionally, the models were trained on refined and extended datasets, offering broader linguistic coverage. With this version, two new languages, German (de) and French (fr), are supported, bringing the total to six languages: English (en), Japanese (jp), Korean (ko), Chinese (zh), French (fr), and German (de).

OuteTTS is a solution designed to extend any existing large language model (LLM) with text-to-speech (TTS) and speech-to-speech capabilities. By preserving the original architecture, it ensures high compatibility with a broad range of libraries and tools, making it easy to integrate speech functionalities without compromising on flexibility.

Experimental voice control features are also included, though they are in very early stage of development. Due to limited data, these features may produce inconsistent results and might sometimes be ignored by the model.

Special thanks to Hugging Face 🤗 for providing the GPU grant that made training this model possible!

Available Variants

OuteTTS-0.3-500M

  • Base: Qwen2.5-0.5B (Apache-2.0)
  • TTS Model License: CC-BY-SA-4.0
  • Training: 10,000 hours of speech audio (~4 billion tokens)
  • Supported Languages: en, jp, ko (small dataset), zh, fr, de

OuteTTS-0.3-1B

  • Base: OLMo-1B (Apache-2.0)
  • TTS Model License: CC-BY-NC-SA-4.0 (Incorporates the Emilia dataset, for improved quality)
  • Training: 20,000 hours of speech audio (~8 billion tokens)
  • Supported Languages: en, jp, ko, zh, fr, de

Showcase Video


Installation

Install the OuteTTS package via pip:

pip install outetts --upgrade

Usage

Quick Start: Full Basic Example

import outetts

# Configure the model
model_config = outetts.HFModelConfig_v2(
    model_path="OuteAI/OuteTTS-0.3-1B",
    tokenizer_path="OuteAI/OuteTTS-0.3-1B"
)
# Initialize the interface
interface = outetts.InterfaceHF(model_version="0.3", cfg=model_config)

# You can create a speaker profile for voice cloning, which is compatible across all backends.
# speaker = interface.create_speaker(audio_path="path/to/audio/file.wav")
# interface.save_speaker(speaker, "speaker.json")
# speaker = interface.load_speaker("speaker.json")

# Print available default speakers
interface.print_default_speakers()
# Load a default speaker
speaker = interface.load_default_speaker(name="en_male_1")

# Generate speech
gen_cfg = outetts.GenerationConfig(
    text="Speech synthesis is the artificial production of human speech.",
    temperature=0.4,
    repetition_penalty=1.1,
    max_length=4096,
    speaker=speaker,
)
output = interface.generate(config=gen_cfg)

# Save the generated speech to a file
output.save("output.wav")

Additional Usage Examples

[!IMPORTANT] For additional usage examples and recommendations, visit the: GitHub repository.

Generation Performance

[!IMPORTANT] The model performs best with 30-second generation batches. This window is reduced based on the length of your speaker samples. For example, if the speaker reference sample is 10 seconds, the effective window becomes approximately 20 seconds. I am currently working on adding batched generation capabilities to the library, along with further improvements that are not yet implemented.


Dataset Attribution

The OuteTTS-0.3-1B training data incorporates various publicly available speech datasets. Below is a summary of the key data sources:

  • Emilia Dataset: CC-BY-NC 4.0
  • Mozilla Common Voice: CC-0
  • MLCommons People's Speech Dataset (selected portions): CC-BY 4.0
  • Noisy Speech Database (Edinburgh DataShare): CC BY 4.0
  • Multilingual LibriSpeech (MLS): CC BY 4.0
  • CSTR VCTK Corpus (Edinburgh DataShare): CC BY 4.0
  • THCHS-30 (Open Speech and Language Resources): Apache-2.0
  • Zeroth-Korean (Open Speech and Language Resources): CC BY 4.0
  • Aishell (Open Speech and Language Resources): Apache-2.0
  • Other permissively licensed datasets

Credits & References

Special acknowledgment to the open-source community and researchers for their valuable contributions.

Как запустить

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

GPU в ailist

Универсальный рантайм · outetts

Можно запустить

Подбираем GPU…

Класс архитектуры
OlmoForCausalLM
Ревизия весов
c6987be

0 моделей