/ Модель

Характеристики

Размер весов
5,4 ГБ
Лицензия
Apache 2.0
Архитектура
vibevoice · dense
Опубликована
13 июл 2026

Arabic_TTS

Синтез речиТекст → аудио3 профессии

Arabic_TTS преобразует арабский текст в естественную речь и позволяет синтезировать её голосом из короткого аудиообразца.

78скачиваний за 30 дней0лайковвеса обновлены13 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

Arabic_TTS — модель синтеза речи, разработанная theBOrganization на архитектуре VibeVoice. Она преобразует арабский текст в речь и поддерживает клонирование голоса без дополнительного обучения по короткому аудиофрагменту-образцу. Для задания голоса входной текст оформляется с идентификатором диктора, например «SPEAKER 1: أهلاً وسهلاً بكم في موقعنا». Модель рассчитана прежде всего на современный литературный арабский язык и поддерживает текст с диакритикой.

Выходная речь генерируется с частотой 24 кГц; в README указаны 10 шагов инференса и управление генерацией через CFG и температуру. Репозиторий содержит веса safetensors, лицензия — Apache-2.0.

Сценарии применения

  • озвучивание арабских текстов современного литературного языка
  • создание арабской речи голосом из короткого аудиообразца
  • подготовка арабской озвучки для видео и медиаматериалов
  • синтез речи с арабской диакритикой
  • создание выразительной арабской речи с настройкой генерации

Ограничения

Лучше всего модель работает с современным литературным арабским; для выраженных региональных диалектов и смешения арабского с английским возможны ошибки произношения. Клонирование голоса следует выполнять с явного согласия говорящего.

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

🎙️ Arabic_TTS by theBOrganization

🌟 Overview

Arabic_TTS is a state-of-the-art Text-to-Speech model specifically optimized for the Arabic language. Built on the powerful VibeVoice architecture, this model goes beyond standard TTS by offering zero-shot voice cloning.

Simply provide a short reference audio clip, and the model will synthesize your input text in Arabic while perfectly capturing the timbre, tone, and unique characteristics of the reference speaker.

✨ Key Features

  • 🗣️ Native Arabic Fluency: Handles complex Arabic morphology, diacritics (Tashkeel) with high fidelity.
  • 🎭 Zero-Shot Voice Cloning: Clone any voice from a single reference audio sample without fine-tuning.
  • 🎛️ Controllable Generation: Built-in Classifier-Free Guidance (CFG) and temperature sampling for expressive and diverse outputs.
  • ⚡ Optimized Inference: Supports CUDA (bfloat16), Apple Silicon MPS (float32), and CPU for maximum efficiency.

🎧 Audio Samples

Listen to the quality of the model below. We compare the original reference voice against the synthetic generated output.


🛠️ Usage & Inference

Prerequisites

Ensure you have PyTorch installed. You will also need the vibevoice library.

pip install torch torchaudio
# Install vibevoice (adjust based on your specific package distribution)
pip install vibevoice 

Inference Code

Below is the complete script to load the model, process the text and reference audio, and generate high-quality 24kHz speech.

import os
import torch
import torchaudio as ta
from vibevoice.processor.vibevoice_processor import VibeVoiceProcessor
from vibevoice.modular.modeling_vibevoice_inference import VibeVoiceForConditionalGenerationInference

# --- Configuration ---
model_path = "theBOrganization/Arabic_TTS"
text = "SPEAKER 1: مرحبا، هذا مثال على توليد الصوت باللغة العربية باستخدام نموذج جديد."
output_path = "output.wav"

# Device selection with fallback
device = "cuda" if torch.cuda.is_available() else ("mps" if torch.backends.mps.is_available() else "cpu")
print(f"🚀 Loading model on {device}...")

# Load Processor
processor = VibeVoiceProcessor.from_pretrained(model_path)

# Set dtype and attention implementation based on device
if device == "mps":
    dtype = torch.float32
elif device == "cuda":
    dtype = torch.bfloat16
else:
    dtype = torch.float32  # Note: float32 is recommended for CPU stability
    
attn_impl = "sdpa"

# Load Model
model = VibeVoiceForConditionalGenerationInference.from_pretrained(
    model_path,
    torch_dtype=dtype,
    attn_implementation=attn_impl,
    device_map=device if device != "mps" else None,
)

if device == "mps":
    model.to("mps")
    
model.eval()
model.set_ddpm_inference_steps(10) # 10 steps for DDPM inference

# --- Prepare Inputs ---
reference_voice = "prompt.wav" # Replace with your reference audio path
print(f"🎙️ Using reference voice: {reference_voice}")

inputs = processor(
    text=[text],
    voice_samples=[[reference_voice]],  # Batch of one speaker list
    return_tensors="pt",
    padding=True,
)

# Move tensors to the correct device
inputs = {
    k: v.to(device) if torch.is_tensor(v) else v
    for k, v in inputs.items()
}

# --- Generate Audio ---
print("🎧 Generating audio...")
with torch.no_grad():
    outputs = model.generate(
        **inputs,
        cfg_scale=1.3,
        tokenizer=processor.tokenizer,
        generation_config={
            'do_sample': True, 
            'temperature': 0.5
        },
    )

# --- Save Output ---
audio = outputs.speech_outputs[0].cpu().float()  # shape: [1, T] or [T]
if audio.ndim == 1:
    audio = audio.unsqueeze(0).float()
    
sample_rate = 24000
ta.save(output_path, audio, sample_rate)
print(f"✅ Successfully saved audio to {output_path}")

📝 Input Formatting

The model expects text to be prefixed with a speaker identifier.

  • Format: SPEAKER X: <Your Arabic Text Here>
  • Example: SPEAKER 1: أهلاً وسهلاً بكم في موقعنا.

⚙️ Model Details

FeatureSpecification
ArchitectureVibeVoice (Diffusion / Flow-Matching based)
Sampling Rate24,000 Hz
Inference Steps10 (DDPM)
Supported LanguagesArabic (Modern Standard)

⚠️ Limitations & Ethical Considerations

While Arabic_TTS produces highly realistic speech, users must adhere to responsible AI practices:

  1. Consent: Do not use the zero-shot voice cloning feature to clone voices without the explicit consent of the speaker.
  2. Misinformation: Do not use this model to generate deceptive audio (deepfakes) for malicious purposes, fraud, or political manipulation.
  3. Dialects: While the model excels at Modern Standard Arabic (MSA), extreme regional dialects or heavy code-switching (mixing Arabic and English in the same sentence) may result in slight pronunciation artifacts.

Developed with ❤️ by [theBOrganization]
For inquiries, collaborations, or bug reports, please open an issue on the repository or contact us directly.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VibeVoiceForConditionalGenerationInference
Ревизия весов
34f1ed6

0 моделей