/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
13 авг 2026

cosyvoice3-uzbek-full645k

Синтез речиТекст → аудио

Модель CosyVoice3, дообученная для синтеза узбекской речи и zero-shot клонирования голоса по аудиообразцу.

0скачиваний за 30 дней1лайквеса обновлены13 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

CosyVoice3-Uzbek (645k) — модель синтеза речи и клонирования голоса, созданная дообучением FunAudioLLM/CosyVoice3-0.5B на корпусе из 645 тысяч узбекских высказываний. Она поддерживает zero-shot синтез: генерирует речь по целевому тексту с голосом, заданным аудиозаписью и её расшифровкой. Целевой текст подаётся обычным текстом, а перед расшифровкой образца голоса требуется инструктивный префикс.

Модель предназначена для озвучивания узбекских текстов и переноса характеристик голоса с аудиообразца. В README приведена оценка на 30 примерах FLEURS-uz: медианный WER составил 16%, средний — 45,9%; автор связывает высокий средний показатель с небольшой долей нестабильных синтезов. В метаданных указаны форматы ONNX и safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • озвучивание узбекских текстов заданным голосом
  • клонирование голоса по короткому аудиообразцу
  • создание узбекской речи для голосовых интерфейсов
  • генерация аудиоверсий узбекских материалов

Ограничения

В тесте на 30 примерах медианный WER составил 16%, однако средний достиг 45,9% из-за небольшой доли нестабильных клипов; для устойчивой генерации README рекомендует корректно задавать формат промпта с инструктивным префиксом перед расшифровкой образца.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CosyVoice3-Uzbek (645k)

Zero-shot Uzbek text-to-speech and voice cloning, fine-tuned from FunAudioLLM CosyVoice3-0.5B on a 645,000-utterance Uzbek speech corpus. Sibling of Tohirju/cosyvoice3-tajik-642k.

Usage — IMPORTANT: correct prompt format

CosyVoice3 zero-shot needs the instruct prefix on the reference transcript, NOT the target text:

import sys; sys.path.append('third_party/Matcha-TTS')
from cosyvoice.cli.cosyvoice import CosyVoice3
cosy = CosyVoice3('cosyvoice3-uzbek-full645k', load_trt=False, load_vllm=False, fp16=False)
for out in cosy.inference_zero_shot(
        'Salom! Bu oʻzbek tilidagi ovozli model.',                     # target text (PLAIN)
        'You are a helpful assistant.<|endofprompt|>' + REF_TRANSCRIPT, # instruct + reference transcript
        REF_WAV_PATH, stream=False):
    audio = out['tts_speech']   # 24 kHz

Results — round-trip WER (FLEURS-uz, synth → Whisper-CA uz ASR → WER, n=30)

checkpointmedian WERmean WERbest
step 35k (this model)16.0%45.9%0%

Selected for stability (step 35k: ~3% collapse rate, vs 60% at step 20k — Uzbek needs more training than Tajik for stable stopping). The typical sentence synthesizes at ~16% WER; the higher mean reflects a small tail of unstable clips. Scored with a fine-tuned Uzbek ASR (Whisper-large-v3-CA, uz ~13.8%) — a base Whisper scorer inflates WER via Uzbek orthographic mismatch (oʻ/gʻ/q/x) and is not used.

License

Apache-2.0 (inherits from CosyVoice3-0.5B base). Access is gated (manual approval).

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
848e2c5

0 моделей