/ Модель

Характеристики

Лицензия
MIT
Опубликована
27 сен 2026

SupraTTS-0.1-Beta

Синтез речиТекст → аудио3 профессии

Однодикторная модель SupraLabs синтезирует английскую речь из текста с помощью Glow-TTS и HiFi-GAN.

449скачиваний за 30 дней21лайквеса обновлены28 сен 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

SupraLabs/SupraTTS-0.1-Beta — экспериментальная англоязычная модель синтеза речи от SupraLabs, обученная с нуля на LJSpeech с помощью Coqui-TTS. Это однодикторная система с архитектурой Glow-TTS, стохастическим предсказателем длительности и вокодером HiFi-GAN v1. Акустическая модель содержит около 29,6 млн параметров, вокодер — около 14 млн. Модель принимает текст и синтезирует речь с частотой дискретизации 22 050 Гц; она рассчитана на английскую речь одного женского диктора.

В описанных разработчиком тестах модель улучшила оценку UTMOS относительно Flare-TTS-v1.5 и приблизила темп синтеза к исходным записям, но вариативность высоты тона остаётся ниже, чем в реальной речи. Модель обучена на одном датасете и не предназначена для многоязычного синтеза, нескольких голосов или клонирования голоса. Лицензия — MIT.

Сценарии применения

  • синтез английской речи из текста
  • озвучивание англоязычных статей и учебных материалов
  • создание аудиоверсий коротких текстов и объявлений

Ограничения

Модель предназначена только для английского языка и одного голоса; интонация менее вариативна, чем в реальных записях. Качество проверялось на ограниченном наборе тестовых предложений, а показатели автоматической оценки не гарантируют качество для всех текстов.

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

Hero-Design

About

SupraTTS-0.1-Beta is an English single-speaker TTS model. Glow-TTS, trained from scratch on LJSpeech in Coqui-TTS.

Successor to Flare-TTS-v1.5. Same dataset, almost the same size. The only goal was to sound better.

  • Fixed a learning-rate scheduler bug (the LR scheduler was stepping per-epoch instead of per-step, so v1.5 never actually reached its target learning rate) !!
  • Blank tokens between input tokens
  • Replaced the deterministic duration predictor with a stochastic one (from VITS), so timing isn't identical every time
  • bf16, plus a Triton kernel for Monotonic Alignment Search (Super-MAS)
  • HiFi-GAN vocoder trained longer and from scratch on ground-truth mels

Encoder, decoder, and the dataset are the same as v1.5.

~29.6M parameters (acoustic model) + HiFi-GAN v1 vocoder (~14M).

Samples

1. Introductory text

Text: "This is the first sample generated by SupraTTS zero point one Beta... Have fun trying it out." Output:

2. Long Wikipedia text

Text: "Artificial intelligence (AI)" to "at least as well as a human." from https://en.wikipedia.org/wiki/Artificial_intelligence; adapted Output:

3. Long numbers and complex words

Text: "On November 12th, 1998, quintessential astrophysicists meticulously calculated approximately 3,456,789 light-years, uncovering extraordinary phenomena through synchronization, authorization, and unprecedented logarithmic measurements." Output:

Benchmarks

Evaluated on 10 out-of-domain sentences + 10 held-out LJSpeech sentences, 5 seeds each. UTMOS is an automatic MOS estimate (1-5). F0-Std is pitch variation inside a sentence, in semitones. WER is Whisper's word error rate, used here as a mispronunciation check.

SystemUTMOS (higher is better)F0-Std [st]WER % (lower is better)Tempo vs. Ground Truth
Ground Truth (real recordings)4.34 ± 0.083.512.581.000
Flare-TTS-v1.53.05 ± 0.081.873.721.087
SupraTTS-0.1-Beta (this model)3.59 ± 0.071.013.641.004

UTMOS is up 0.53 vs v1.5. The old model dragged (1.087x the original speech rate); this one sits at 1.004x. WER is basically the same.

We also tried fine-tuning HiFi-GAN on the acoustic model's own mels (GTA). It made things worse: UTMOS 3.34, noisier pitch. LJSpeech is probably too small and too uniform for that, and the GT vocoder was already trained long enough. This release uses the ground-truth-mel vocoder only.

F0-Std is still well below the recordings. Pitch is stable, just flatter than a real speaker. That's the next thing to fix.

Config

  • Architecture: Glow-TTS (12 flow blocks, 192 hidden channels, rel-pos-transformer encoder, 6 layers)
  • Stochastic Duration Predictor + HiFi-GAN v1 vocoder
  • Sample rate: 22050 Hz, 80 mel bands
  • Dataset: LJSpeech-1.1 (single English female speaker, ~24h)
  • Full configs: config.json (acoustic model), vocoder_config.json

Training

Acoustic modelVocoder
Steps for~39,000 (145 epochs)\ ~103,000 (GT mels)
Batch size4816
Precisionbf16fp16
Hardware1x RTX 5060 Ti, 16GB VRAM1x RTX 5060 Ti, 16GB VRAM
Wall-clock time~25 hours~35 hours

How to Run Locally

Make sure to have installed: Python 3.10+, PyTorch with CUDA, Coqui-TTS (pip install coqui-tts).

mkdir supratts-0.1-beta && cd supratts-0.1-beta

wget https://huggingface.co/SupraLabs/SupraTTS-0.1-Beta/resolve/main/infer_v2.py
wget https://huggingface.co/SupraLabs/SupraTTS-0.1-Beta/resolve/main/flare_glowtts.py
wget https://huggingface.co/SupraLabs/SupraTTS-0.1-Beta/resolve/main/config.json
wget https://huggingface.co/SupraLabs/SupraTTS-0.1-Beta/resolve/main/vocoder_config.json
wget https://huggingface.co/SupraLabs/SupraTTS-0.1-Beta/resolve/main/model.pth
wget https://huggingface.co/SupraLabs/SupraTTS-0.1-Beta/resolve/main/vocoder.pth

python3 infer_v2.py

Change TEXT at the top of infer_v2.py. Wav lands in output_v2.wav.

Thanks

What's Next

For Supra-TTS-1, if we get there:

  • Stochastic pitch, better vocoder
  • More than English
  • More than one speaker
  • Inline style tags ([whisper], [scream], [laughing], etc...)
  • Zero-shot cloning

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
8b53779

0 моделей