Характеристики

Лицензия: Apache 2.0
Опубликована: 10 авг 2026

Ссылки

Hugging Face

cosyvoice2-tajik-68k

Tohirju

Синтез речиТекст → аудио

Модель синтезирует таджикскую речь из текста и позволяет задать голос по аудиообразцу с расшифровкой.

0скачиваний за 30 дней0лайковвеса обновлены10 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/cosyvoice2-tajik-68k — дообученная модель синтеза речи на таджикском языке на основе FunAudioLLM/CosyVoice2-0.5B. Разработчик дообучил LLM-компонент, преобразующий текст в речевые токены, на 68 тысячах аудиозаписей с расшифровками; акустический Flow-компонент и HiFiGAN взяты из базовой CosyVoice2. Модель предназначена для синтеза таджикской речи, в том числе в режиме zero-shot с заданием голоса по аудиозаписи-образцу и её текстовой расшифровке. Заявлен результат около 13,8% round-trip WER на FLEURS-tg; аудио выводится с частотой 24 кГц.

В метаданных указаны форматы ONNX и safetensors и лицензия Apache-2.0. Карточка сообщает, что базовая CosyVoice2 не справлялась с таджикским языком, а дообученная версия генерирует более естественную речь с корректным таймингом. Оценка качества основана на цепочке синтеза и распознавания и не гарантирует такое же качество для всех текстов и голосов; для zero-shot требуется референсная запись с расшифровкой.

Сценарии применения

озвучивание таджикских текстов
создание таджикской речи для аудиокниг
генерация таджикской речи голосом по аудиообразцу
озвучивание таджикских материалов для обучения

Ограничения

Для режима zero-shot нужны аудиообразец голоса и его текстовая расшифровка. Заявленный round-trip WER около 13,8% измерен на FLEURS-tg и не описывает качество на всех текстах и голосах.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CosyVoice2-0.5B — Tajik (тоҷикӣ) TTS

CosyVoice2-0.5B fine-tuned for Tajik text-to-speech.

Base: FunAudioLLM/CosyVoice2-0.5B
Fine-tuned component: LLM (text -> speech-token) on a 68k-clip Tajik read-speech dataset (audio + transcripts).
Quality: ~13.8% round-trip WER on FLEURS-tg (synthesize -> ASR -> compare). Base CosyVoice2 cannot produce Tajik (hallucinates); this fine-tune produces natural, correctly-timed Tajik.
Flow / HiFiGAN: base CosyVoice2 (render Tajik acoustics well).

Usage

from cosyvoice.cli.cosyvoice import CosyVoice2
cosy = CosyVoice2('THIS_MODEL_DIR', load_jit=False, load_trt=False, fp16=False)
for out in cosy.inference_zero_shot(tajik_text, ref_text, ref_wav_path, stream=False):
    audio = out['tts_speech']  # 24kHz

Zero-shot: provide a reference wav + its transcript to set the voice.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов: 046c686