/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
F5-TTS
Библиотека
f5-tts
Опубликована
27 сен 2026

AktarKhan_Weights

Синтез речиТекст → аудио3 профессии

Односпикерная настройка F5-TTS для синтеза английской речи в образовательных и личных некоммерческих сценариях.

165скачиваний за 30 дней0лайковвеса обновлены1 окт 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

Rezuwan публикует неофициальную тонкую настройку F5-TTS для синтеза речи голосом одного диктора. Модель предназначена для изучения настройки TTS, интерполяции весов и оценки качества, а также для личного некоммерческого использования с явной маркировкой сгенерированного аудио. Она принимает текст и создаёт речь на английском языке; в карточке описана архитектура DiT с 22 слоями, размерностью 1024 и 16 головами, 100 мел-полосами при 24 кГц и вокодером Vocos.

Предоставлены два чекпойнта с разной силой адаптации: рекомендуемый alpha 1.0 и alpha 1.2, который лучше сохраняет особенности произношения ценой ухудшения WER. Модель распространяется по лицензии CC BY-NC 4.0; автор также запрещает коммерческое использование и выдачу синтезированной речи за настоящую запись. Результаты могут содержать ошибки произношения, артефакты и неестественную просодию, особенно на длинном или необычном тексте.

Сценарии применения

  • озвучивание английского текста голосом целевого диктора
  • эксперименты с тонкой настройкой моделей синтеза речи
  • сравнение вариантов интерполяции весов TTS
  • оценка разборчивости и сходства синтезированного голоса

Ограничения

В речи возможны ошибки произношения, артефакты и неестественная просодия, особенно на длинных или необычных текстах; качество зависит от настроек декодирования. Использование ограничено некоммерческими целями, запрещены имитация с целью обмана и представление генерации как настоящей записи.

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

Unofficial F5-TTS Voice Clone — Educational / Experimental Weights

⚠️ Disclaimer — please read before using

  • This is an unofficial, non-commercial hobby project, made for educational, experimental and fun purposes only — to learn how text-to-speech fine-tuning works.
  • It is not affiliated with, endorsed by, or connected to the person whose voice it imitates. Every output of this model is AI-generated and does not represent anything that person has actually said, believes, or approves of.
  • It was made without any intention to harm anyone's reputation.
  • Takedown: if you are the voice owner (or represent them) and want this removed, please open a post in the Community tab and the model and demo will be taken down promptly.

এটি একটি অনানুষ্ঠানিক, অবাণিজ্যিক শিক্ষামূলক ও পরীক্ষামূলক প্রকল্প। সংশ্লিষ্ট ব্যক্তির সাথে এর কোনো সম্পর্ক বা অনুমোদন নেই, এবং কারো সম্মানহানির কোনো উদ্দেশ্য নেই। সব অডিও কৃত্রিমভাবে (AI দিয়ে) তৈরি।

Model description

Fine-tuned weights of F5-TTS (F5TTS_Base, model_1200000.pt) adapted to a single speaker's voice. The project was built as a personal learning exercise in TTS fine-tuning and evaluation.

Two checkpoints are provided. Both are EMA-only weights, interpolated as theta(alpha) = (1 - alpha) * pretrained + alpha * finetuned:

FilealphaNotes
f5tts_finetuned_alpha1.0.safetensors1.0Recommended default. WER matches the real speaker's own WER; SIM-o at the natural same-speaker ceiling.
f5tts_finetuned_alpha1.2.safetensors1.2More idiosyncratic-pronunciation retention (+8.9pp on a validated phone-level metric), at a real, CI-confirmed WER cost.

Architecture: DiT, dim 1024, depth 22, 16 heads, ff_mult 2, text_dim 512, 4 conv layers; 100-band mel at 24 kHz with the Vocos vocoder. Custom tokenizer (vocab.txt, shipped with the demo Space).

Recommended decoding: nfe_step=32, cfg_strength=2.0, sway_sampling_coef=-1.0, speed≈1.1.

Demo

Try it in the Space: Rezuwan/Aktar_Khan_TTS. Generated MP3s are tagged as AI-generated in their metadata.

Intended use

  • Learning and experimenting with TTS fine-tuning, weight interpolation, and evaluation (WER, speaker similarity).
  • Personal, non-commercial, clearly-labelled fun/educational use.

Out-of-scope / prohibited use

You may not use this model or its outputs to:

  • impersonate the speaker or anyone else, or present generated audio as a real recording;
  • deceive, defraud, scam, or mislead people (including fake endorsements or announcements);
  • spread misinformation, defame, harass, bully, or blackmail anyone;
  • create sexual, hateful, or political content attributed to the speaker;
  • use it for any commercial purpose.

If you share any generated audio, clearly label it as AI-generated. Users are solely responsible for what they generate and how they use it.

Training data

Fine-tuned on short clips of the speaker's speech taken from publicly posted social-media videos. The raw training audio is not distributed with this repository. No private or non-public data was used.

Limitations

  • Outputs can contain mispronunciations, artefacts, or unnatural prosody, especially for long or unusual input text.
  • Quality depends heavily on the reference clip and decoding settings.
  • The model can produce speech the real speaker never said; this is exactly why the usage restrictions above apply.

License

Released under CC BY-NC 4.0 (non-commercial), consistent with the license of the pretrained F5-TTS base weights these are derived from. The F5-TTS code itself is MIT-licensed.

Acknowledgements

Built on F5-TTS by SWivid et al.

Как запустить

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

GPU в ailist

Универсальный рантайм · f5-tts

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
74e99a2

0 моделей