/ Модель

Характеристики

Контекст
32 768 токенов
Лицензия
Своя лицензия
Архитектура
moss_tts_nano · dense
Библиотека
transformers
Опубликована
13 авг 2026

gooya-v1

Генерация текстаТекст → текст3 профессии

Gooya V1 — LoRA-модель для синтеза персидской речи с клонированием голоса и улучшенной генерацией длинных фрагментов.

38скачиваний за 30 дней1лайквеса обновлены13 авг 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

Gooya V1 — модель синтеза персидской речи, созданная Reza2kn как LoRA-дообучение Gooya 0.1 на базе MOSS-TTS-Nano-100M. Обучение проходило в два этапа: на корпусе из 102 084 одобренных аудиофрагментов с фонемами v7 G2P и на 2 707 более длинных фрагментах для улучшения непрерывной речи. LoRA с рангом 16 применена к линейным слоям трансформера; веса представлены в формате PyTorch и bf16.

Модель предназначена для озвучивания персидского текста и синтеза речи с клонированием голоса. Для инференса текст нужно преобразовать в фонемы v7 G2P с пробелами между символами. По карточке, усиление обучения на длинных фрагментах позволяет генерировать до 12–16 секунд речи за один проход и уменьшает артефакт дыхания посреди слова. Для сэмплирования автор рекомендует audio_temperature около 0,6 и audio_top_p около 0,9; стандартная температура 1,7 может вызывать дрожание звучания. Лицензия указана как other, конкретные условия в предоставленных данных не описаны.

Сценарии применения

  • озвучивание персидского текста голосом выбранного диктора
  • клонирование голоса для персидской речи
  • синтез длинных персидских фраз одним проходом
  • создание персидской озвучки для аудиоконтента

Ограничения

Для инференса требуется предварительно преобразовать персидский текст в фонемы v7 G2P с пробелами между символами. Карточка рекомендует снизить температуру аудиосэмплирования: стандартное значение может вызывать дрожание звучания.

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

Gooya V1 — Persian TTS

Persian text-to-speech: LoRA fine-tune of Gooya 0.1 (MOSS-TTS-Nano-100M) trained on the 102K approved corpus with v7 Negara G2P phonemes, then reinforced for long-form speech on 2,707 clips ≥6s to remove mid-word breathing.

Training

  • Stage 1 (base): Gooya 0.1 + 3-epoch LoRA on 102,084 approved clips (v7 phonemes, 30 voices)
    • val_loss 4.767 → 4.708 → 4.698
  • Stage 2 (long-form): continue from Stage-1, 3-epoch LoRA on 2,707 clips ≥6s
    • val_loss 4.892 → 4.888 → 4.887 (long-clip eval)
    • Fixes the "short-burst + mid-word breath" artifact that comes from training on short clips only
  • LoRA r16/α32 on 48 transformer.h.* linears (1.97% of params), bf16
  • Data: Reza2kn/homorich-negara-gemini-tts-approved (audio + grapheme + v7 phonemes)

Inference

Phonemize Persian → char-spaced phonemes (v7 G2P) → voice-clone synthesis. Use cool audio sampling (audio_temperature≈0.6, audio_top_p≈0.9) — the default 1.7 is too hot and causes tremor. For long text, single-pass works up to ~12-16s after the long-form reinforcement.

Gate C / matrix

  • gate_c/ — held-out short clips (pre-reinforcement)
  • matrix/ — full A/B: 2 G2P (v7/homo) × 2 TTS (gooya01/v1), v7×v1 wins
  • long_reinforced.wav (root) — long-form demo: full 12s sentence in one pass, no mid-word breaths

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
MossTTSNanoForCausalLM
Ревизия весов
9320f58

0 моделей