/ Модель

Характеристики

Лицензия
MIT
Библиотека
chatterbox
Опубликована
20 авг 2026

chatterbox-mtl-central-asian

Синтез речиТекст → аудио

Многоязычная модель Chatterbox для синтеза речи и клонирования голоса на таджикском, узбекском, казахском и кыргызском языках.

0скачиваний за 30 дней5лайковвеса обновлены20 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

Tohirju/chatterbox-mtl-central-asian — модель синтеза речи на основе Chatterbox Multilingual v3 от ResembleAI, совместно дообученная на таджикском, узбекском, казахском и кыргызском языках. Язык задаётся при генерации параметром language_id; также поддерживается клонирование голоса по WAV-записи. Дообучена только компонента t3, а генератор s3gen и кодировщик голоса ve оставлены замороженными. Используются точность fp32 и расширенный токенизатор на 2458 токенов.

Модель предназначена для озвучивания текста на четырёх центральноазиатских языках и создания речи с голосом, заданным эталонной записью. В оценке на отложенных данных указаны медианный WER 11,8% для таджикского, 18,2% для узбекского и CER 6,9% для казахского; автор отмечает, что узбекский язык оказался слабее при совместном обучении. Лицензия — MIT.

Сценарии применения

  • озвучивание текста на таджикском языке
  • озвучивание текста на узбекском языке
  • озвучивание текста на казахском языке
  • озвучивание текста на кыргызском языке
  • синтез речи голосом по эталонной WAV-записи

Ограничения

В совместном обучении узбекский язык показал худшие результаты по сравнению со специалистической моделью; оценка кыргызского языка в карточке не приведена. Для загрузки требуется установить CB_TEXT_VOCAB=2458, иначе загрузчик использует несовместимый размер словаря.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Chatterbox-MTL Central-Asian (Tajik · Uzbek · Kazakh · Kyrgyz)

A single text-to-speech model that speaks four Central-Asian languages — Tajik, Uzbek, Kazakh and Kyrgyz — with the target language selected at inference time via a language_id. It is Chatterbox Multilingual v3 fine-tuned jointly on all four languages. Voice cloning is supported: every generation is conditioned on a reference .wav.

Model summary

BaseChatterbox Multilingual v3 (ResembleAI)
Fine-tuningJoint multilingual, t3-only (s3gen and ve frozen)
Precisionfp32
Learning rate1e-5
Vocabularyextended to 2458 text tokens (stock is 2454) with per-utterance language tokens [tg] [uz] [kk] [ky] at ids 2454–2457
Steps trained20,000
Winner checkpointstep 10,000 (best joint quality; later checkpoints regress)
LicenseMIT
WatermarkPerth (Resemble) watermarked output

Only the fine-tuned extended t3 (t3_mtl23ls_v2.safetensors) is trained; s3gen.pt, ve.pt and conds.pt are the frozen Chatterbox components, and grapheme_mtl_merged_expanded_v1.json is the extended 2458-token tokenizer.

Training data

344,031 utterances total:

LanguageUttsSource
Tajik (tg)100,000audiobook + diarized
Uzbek (uz)100,000uzbekvoice
Kazakh (kk)100,000KSC2
Kyrgyz (ky)7,339 clips, oversampled 6×CommonVoice 17 (ky) + FLEURS (ky)

FLEURS test sets were held out for tg / uz / kk.

Results (round-trip TTS eval, n = 60 per language)

Generate from held-out text → transcribe with an ASR scorer → compare to reference.

LanguageMetricThis combined modelSpecialist (single-lang FT)
TajikWER11.8% median10.7% median
UzbekWER18.2% median14.8% median
KazakhCER6.9% median7.4% median (combined is better)
Kyrgyz—not scored (no trusted Kyrgyz ASR scorer yet)—

Notes:

  • Kazakh is reported as CER (character error rate): Kazakh is agglutinative and a base-whisper WER scorer inflates the number, so CER is the trustworthy metric.
  • Uzbek is the weak language in joint training — its Latin-minority script destabilizes relative to the Cyrillic-script Tajik/Kazakh.

Raw evidence is in eval/: per_utt_{tg,uz,kk}_n60.jsonl (raw ref/hyp/wer per utterance at step 10000) and scores.txt.

Inference

CRITICAL: set CB_TEXT_VOCAB=2458 before loading. This model has 2458 text tokens; without this env the loader assumes 2454 and fails.

import os
os.environ["CB_TEXT_VOCAB"] = "2458"  # REQUIRED — extended vocab

from chatterbox.mtl_tts import ChatterboxMultilingualTTS

model = ChatterboxMultilingualTTS.from_local("path/to/model_dir", device="cuda")

# eager-attention workaround
model.t3.tfmr.config._attn_implementation = "eager"

wav = model.generate(
    "Матни шумо дар ин ҷо",       # your text
    language_id="tg",            # one of: tg | uz | kk | ky
    audio_prompt_path="ref.wav", # reference voice (cloning) — required
)
  • language_id selects the spoken language: "tg", "uz", "kk", or "ky".
  • A reference .wav (audio_prompt_path) is required — this is a voice-cloning TTS.
  • Output audio is Perth-watermarked.

Files

  • t3_mtl23ls_v2.safetensors — fine-tuned extended t3 (trained)
  • s3gen.pt — frozen S3 generator
  • ve.pt — frozen voice encoder
  • conds.pt — default conditioning
  • grapheme_mtl_merged_expanded_v1.json — extended 2458-token tokenizer ([tg][uz][kk][ky])

License & attributions

  • Model: MIT (following Chatterbox).
  • Training data attributions: uzbekvoice (CC0), KSC2 (Kazakh Speech Corpus 2), CommonVoice (CC0), FLEURS (CC-BY).

Как запустить

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

GPU в ailist

Универсальный рантайм · chatterbox

Нельзя запустить

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

Ревизия весов
9e24e11

0 моделей