/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
977 млн
Лицензия
Apache 2.0
Архитектура
csm · dense
Базовая модель
csm-1b
Опубликована
20 июл 2026

csm-1b

Синтез речиТекст → аудио3 профессии

Производная модели unsloth/csm-1b. Дообученный вариант CSM 1B для генерации английской речи из текста с учётом аудиоконтекста.

12скачиваний за 30 дней0лайковвеса обновлены20 июл 2026

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 «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест 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

Карточка модели TTKCRUSADER/csm-1b на Hugging Face совпадает с карточкой unsloth/csm-1b, поэтому описание составлено по ней.

unsloth/csm-1b — версия модели генерации речи CSM 1B от Sesame, подготовленная Unsloth как дообученный вариант базовой sesame/csm-1b. Она преобразует текст и аудиоконтекст в аудиокоды RVQ: архитектура сочетает Llama-backbone с компактным аудиодекодером Mimi. Модель содержит 977,3 млн параметров, использует формат safetensors и имеет контекст длиной 2048 токенов.

Модель предназначена для синтеза речи из текста и может генерировать разные голоса; конкретный голос отдельно не настраивался. Основной язык — английский. Авторы отмечают некоторую способность работать с другими языками, но ожидают низкое качество. Это генератор аудио, а не универсальная разговорная модель: она не генерирует текст, поэтому для ведения диалога нужен отдельный LLM. Лицензия — Apache-2.0.

Сценарии применения

  • синтез английской речи из текста
  • озвучивание текстовых реплик разными голосами
  • генерация речи с учётом аудиоконтекста

Ограничения

Основное качество ожидается для английского; результаты на других языках могут быть слабыми. Модель генерирует аудио, но не текст и не является универсальным разговорным LLM; она не настроена на конкретный голос.

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
Unsloth supportsFree NotebooksPerformanceMemory use
Sesame-CSM-1B▶️ Start on Colab1.5x faster58% less
Whisper Large V3▶️ Start on Colab1.5x faster50% less
Qwen3 (14B)▶️ Start on Colab2x faster70% less
Llama 3.2 Vision (11B)▶️ Start on Colab1.8x faster50% less

CSM 1B

2025/03/13 - We are releasing the 1B CSM variant. Code is available on GitHub: SesameAILabs/csm.


CSM (Conversational Speech Model) is a speech generation model from Sesame that generates RVQ audio codes from text and audio inputs. The model architecture employs a Llama backbone and a smaller audio decoder that produces Mimi audio codes.

A fine-tuned variant of CSM powers the interactive voice demo shown in our blog post.

A hosted HuggingFace space is also available for testing audio generation.

Usage

Setup the repo

git clone git@github.com:SesameAILabs/csm.git
cd csm
python3.10 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

# You will need access to sesame/csm-1b and meta-llama/Llama-3.2-1B
huggingface-cli login

Generate a sentence

from generator import load_csm_1b
import torchaudio

generator = load_csm_1b(device="cuda")

audio = generator.generate(
    text="Hello from Sesame.",
    speaker=0,
    context=[],
    max_audio_length_ms=10_000,
)

torchaudio.save("audio.wav", audio.unsqueeze(0).cpu(), generator.sample_rate)

CSM sounds best when provided with context. You can prompt or provide context to the model using a Segment for each speaker utterance.

speakers = [0, 1, 0, 0]
transcripts = [
    "Hey how are you doing.",
    "Pretty good, pretty good.",
    "I'm great.",
    "So happy to be speaking to you.",
]
audio_paths = [
    "utterance_0.wav",
    "utterance_1.wav",
    "utterance_2.wav",
    "utterance_3.wav",
]

def load_audio(audio_path):
    audio_tensor, sample_rate = torchaudio.load(audio_path)
    audio_tensor = torchaudio.functional.resample(
        audio_tensor.squeeze(0), orig_freq=sample_rate, new_freq=generator.sample_rate
    )
    return audio_tensor

segments = [
    Segment(text=transcript, speaker=speaker, audio=load_audio(audio_path))
    for transcript, speaker, audio_path in zip(transcripts, speakers, audio_paths)
]
audio = generator.generate(
    text="Me too, this is some cool stuff huh?",
    speaker=1,
    context=segments,
    max_audio_length_ms=10_000,
)

torchaudio.save("audio.wav", audio.unsqueeze(0).cpu(), generator.sample_rate)

FAQ

Does this model come with any voices?

The model open sourced here is a base generation model. It is capable of producing a variety of voices, but it has not been fine-tuned on any specific voice.

Can I converse with the model?

CSM is trained to be an audio generation model and not a general purpose multimodal LLM. It cannot generate text. We suggest using a separate LLM for text generation.

Does it support other languages?

The model has some capacity for non-English languages due to data contamination in the training data, but it likely won't do well.

Misuse and abuse ⚠️

This project provides a high-quality speech generation model for research and educational purposes. While we encourage responsible and ethical use, we explicitly prohibit the following:

  • Impersonation or Fraud: Do not use this model to generate speech that mimics real individuals without their explicit consent.
  • Misinformation or Deception: Do not use this model to create deceptive or misleading content, such as fake news or fraudulent calls.
  • Illegal or Harmful Activities: Do not use this model for any illegal, harmful, or malicious purposes.

By using this model, you agree to comply with all applicable laws and ethical guidelines. We are not responsible for any misuse, and we strongly condemn unethical applications of this technology.

Authors Johan Schalkwyk, Ankit Kumar, Dan Lyth, Sefik Emre Eskimez, Zack Hodari, Cinjon Resnick, Ramon Sanabria, Raven Jiang, and the Sesame team.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
CsmForConditionalGeneration
Ревизия весов
0818a4a

0 моделей