/ Модель

Характеристики

Опубликована
27 сен 2026

dacvae-tts-en-experiments

Синтез речиТекст → аудио

Экспериментальная англоязычная модель VoiceHub для синтеза речи из текста и клонирования голоса по аудиореференсу.

0скачиваний за 30 дней2лайкавеса обновлены29 сен 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

DACVAE-TTS English — экспериментальная англоязычная модель синтеза речи и клонирования голоса от VoiceHub. Лучший описанный чекпойнт full-base-s42 обучен на 60 000 шагах и содержит 67,4 млн параметров; обучение проводилось на 120 часах англоязычных подкастов после фильтрации. В репозитории собраны контрольные точки, конфигурации и результаты нескольких экспериментов.

Модель предназначена для преобразования текста в речь и zero-shot клонирования голоса по аудиореференсу. Для описанного режима генерации указаны 32 шага Euler, guidance 5 и длительность, задаваемая темпом референса. README приводит оценки разборчивости и качества синтеза на тестовой выборке, а также демонстрационные примеры с голосами, отсутствовавшими в обучающих данных.

В качестве ограничений приведены результаты одного набора тестов и отдельные синтезированные примеры; README не описывает широкую оценку на разных доменах и языках. Лицензия в предоставленных данных не указана.

Сценарии применения

  • озвучивание английского текста естественным голосом
  • клонирование голоса по короткому аудиореференсу
  • создание голосовых демоверсий подкастов
  • генерация речи разными референсными голосами

Ограничения

Качество описано по ограниченному тестовому набору и примерам; широкая оценка на других языках и доменах не приведена. Лицензия не указана в предоставленных данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DACVAE-TTS English: every A/B arm in one place

Training on Vyvo/en-podcast-1, code and write-up: https://github.com/kadirnar/dacvae-tts. One folder per run: checkpoints/step-*.pt, eval/step-*/ (scores, per-sentence Whisper transcripts, audio), train.jsonl, config.json, its own README, RESULT.md (question, result against its baseline, verdict) and logs/.

EXPERIMENTS.md: the result log of every experiment (question, evidence, paired result against its baseline, trajectory, verdict and why).

Best model

full-base-s42 at 60,000 updates (checkpoint): 67.4M parameters, configs/en_base.yaml, trained only on en-podcast-1 (120 h after filtering). Try it in the demo.

Seed-TTS test-en DEV half (545 sentences, seeds 42 + 1000)WER %CER %SIM-oUTMOS22DNSMOS
full-base-s42, 60k2.631.290.5992.9952.535
DACVAE round trip of the ground truth (ceiling)2.140.840.7213.4813.010

Listen: zero-shot voice cloning

20 clean reference voices that no training data contains (14 male, the rest female; EchoTTS speakers from SynDataLab-EN-Refs/echo-ref-speakers-4k-en, 44.1 kHz, chosen for the highest DNSMOS), each with its transcript, and a different sentence in each voice, synthesized by the snapshot at its operating point (32 Euler steps, guidance 5, prompt-rate duration). Single samples, seed 42, no reranking.

full-base-s42 at 60,000 updates

#voicesentencereference voicegenerated
1male, 110 Hz, ref DNSMOS 3.63Are they twins or just normal siblings?
2male, 103 Hz, ref DNSMOS 3.55He must be disguised to avoid encounters with thieves.
3female, 187 Hz, ref DNSMOS 3.53The town of Norwich is located east of the center of the county.
4male, 142 Hz, ref DNSMOS 3.61Constrictor knots can also be quite effective as improvised hose clamps or cable ties.
5male, 128 Hz, ref DNSMOS 3.55These two agencies co-operate in aspects of law enforcement, including their joint marine unit.
6female, 173 Hz, ref DNSMOS 3.63It then became part of Poland.
7male, 102 Hz, ref DNSMOS 3.60Will you be happy when I am in the earth?
8male, 121 Hz, ref DNSMOS 3.60She was involved in several record productions.
9female, 186 Hz, ref DNSMOS 3.61The Larson Brothers Airport is located in the town.
10male, 116 Hz, ref DNSMOS 3.60Flood gates were erected and drainage systems improved.
11male, 119 Hz, ref DNSMOS 3.59He did not live to complete the development of his system.
12female, 190 Hz, ref DNSMOS 3.54The land is volcanic in origin with mountains in the interior.
13male, 141 Hz, ref DNSMOS 3.53The Tuesday market is held by the blue bridge over the River Iro.
14male, 96 Hz, ref DNSMOS 3.56The evidence against Strafford was weak, and the impeachment failed.
15female, 188 Hz, ref DNSMOS 3.57It is operated by the New York City Department of Parks and Recreation.
16male, 128 Hz, ref DNSMOS 3.57Also that year, he collaborated with Evan Dando on a new Lemonheads album.
17male, 129 Hz, ref DNSMOS 3.53Finally, lumping groups of one's own pieces together is usually poor strategy.
18female, 228 Hz, ref DNSMOS 3.59Over time the couple has four more children, although William never warms to them.
19male, 139 Hz, ref DNSMOS 3.54The battle was of medium term significance, consolidating Royalist control of Yorkshire.
20male, 99 Hz, ref DNSMOS 3.56Before guns were invented, armies had to throw bullets at each other and if a bullet touched you, you had to sit out until the next war.

Everything else

Every run, checkpoint and evaluation is in the repository files, one folder per run (base-s42, base-s43, charts, continue60k-lowlr-s42, en-baseline, en-corpus-build, en-duration, full-base-s42, liam-ft-base60k-s42, liam-posttrain-20260928, repa-hubert-large, repa-layer4, repa-layer6, repa-layer6-s43, repa-off, repa-off-s43, repa-target, repa-w05, repa-w2), and every experiment's result is in EXPERIMENTS.md.

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
74031f9

0 моделей