/ Модель

Характеристики

Лицензия
MIT
Базовая модель
chatterbox
Опубликована
19 авг 2026

chatterbox-mtl-tajik

Синтез речиТекст → аудио

Дообученная для таджикского языка модель Chatterbox Multilingual синтезирует речь из текста с клонированием голоса по аудиообразцу.

0скачиваний за 30 дней5лайковвеса обновлены19 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

Модель Chatterbox Multilingual v3 для синтеза речи на таджикском языке, дообученная Saidzoda Lab. Обучен только трансформер текстовых токенов речи t3; генератор s3gen и кодировщик голоса ve оставлены без изменений. Веса представлены в форматах PyTorch и Safetensors, лицензия — MIT.

Модель предназначена для преобразования текста в речь с клонированием голоса: при выводе требуется аудиозапись-образец. В оценке на 60 примерах FLEURS-tg средний WER составил 10,7%, медианный — 8,3%; результат зависит от текста и эталонного аудио. Для запуска README рекомендует пакет chatterbox-tts.

Сценарии применения

  • синтез таджикской речи по тексту
  • создание таджикской озвучки голосом из аудиообразца
  • озвучивание таджикских фраз и материалов

Ограничения

Для синтеза требуется аудиообразец голоса. Оценка WER приведена на небольшой выборке из 60 примеров FLEURS-tg и не гарантирует аналогичное качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Chatterbox Multilingual — Tajik (t3 fine-tune)

Chatterbox Multilingual v3 fine-tuned for Tajik by Saidzoda Lab.

Only the t3 text-to-speech-token transformer was fine-tuned; s3gen and ve (voice encoder) are the frozen upstream weights. The model does voice cloning: a reference wav is required at inference time.

Training

SettingValue
BaseChatterbox Multilingual v3 (t3_mtl23ls_v2, stock 2454-token vocab)
Trained modulest3 only (s3gen / ve frozen)
Precisionfp32
Learning rate1e-5
Steps trained12,500
Shipped checkpointstep 8,000 (winner of a WER sweep over checkpoints)
Data100k utterances / 205.5 h Tajik subset of our 642k-utterance Tajik pool
Language tokenru (Tajik is out-of-vocab for Chatterbox; the Russian token fits Tajik Cyrillic best)

Results

Round-trip WER on FLEURS-tg (n=60): synthesize the reference text, transcribe with our Tajik ASR scorer (Whisper-large-v3-tg, checkpoint-14450), score against the reference.

ModelMean WERMedian WER
This model (Chatterbox-mtl-tajik, step 8000)10.7%8.3%
CosyVoice3-tajik-642k10.8%7.7%
Orpheus-3B Tajik~15.9%—
CosyVoice2 Tajik16.7%—

Per-utterance evidence for this model is in eval/per_utt.jsonl and eval/scores.json.

Usage

Download the repo files into a directory, then load with the chatterbox-tts package (pip install chatterbox-tts, or add a source checkout to sys.path):

import torchaudio
from huggingface_hub import snapshot_download
from chatterbox.mtl_tts import ChatterboxMultilingualTTS

ckpt_dir = snapshot_download("Tohirju/chatterbox-mtl-tajik")

# Workaround for newer transformers: the loader expects eager attention.
# If loading fails with an attention-implementation error, patch the t3 config
# before/while loading: cfg._attn_implementation = "eager"

model = ChatterboxMultilingualTTS.from_local(ckpt_dir, device="cuda")

wav = model.generate(
    "Салом! Ин як намунаи овозӣ бо забони тоҷикӣ аст.",
    language_id="ru",                  # Tajik uses the "ru" language token
    audio_prompt_path="ref.wav",       # REQUIRED: reference speaker wav (voice cloning)
)
torchaudio.save("out.wav", wav, model.sr)

Notes:

  • audio_prompt_path (a reference wav of the target speaker) is required — this is a voice-cloning model.
  • Pass language_id="ru" — the model was fine-tuned under the Russian language token.
  • With newer transformers versions the loader needs eager attention (cfg._attn_implementation = "eager").

Files

FileRole
t3_mtl23ls_v2.safetensorsFine-tuned t3 (Tajik)
s3gen.ptUpstream speech-token-to-wav generator (frozen)
ve.ptUpstream voice encoder (frozen)
conds.ptDefault conditioning
grapheme_mtl_merged_expanded_v1.jsonGrapheme tokenizer

License and data

  • Model / code: MIT (upstream Chatterbox is MIT).
  • Training data: muhtasham/tajik-audio and the Peacockery Tajik corpus (CC-BY-4.0). Downstream users should observe CC-BY-4.0 attribution for the training data sources.

Citation

Saidzoda Lab, Central-Asian speech program (Tajik / Uzbek / Kazakh / Kyrgyz), 2026.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
3c7b5d5

0 моделей