/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
575 млн
Лицензия
MIT
Архитектура
qwen3 · dense
Базовая модель
Vyvo-Multilingual-v0.1
Опубликована
21 июн 2026

Vyvo-Multilingual-EN-FT-v0.1

Генерация текстаТекст → текст3 профессии

Дообученная Vyvo модель синтезирует английскую речь целевым текстом голосом одного диктора по аудиореференсу и его транскрипту.

12скачиваний за 30 дней1лайквеса обновлены21 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Vyvo/Vyvo-Multilingual-EN-FT-v0.1 — дообученная компанией Vyvo модель синтеза английской речи с клонированием голоса. Она продолжает аудиопоследовательность как языковая модель: для генерации нужны короткий аудиореференс с расшифровкой и целевой текст. Модель рассчитана на один выразительный голос и английский язык.

Модель основана на Vyvo/Vyvo-Multilingual-v0.1, использует плотную архитектуру Qwen3 с 574,8 млн параметров и аудиокодек kyutai/mimi с 32 кодовыми книгами и частотой 24 кГц. Контекст — до 40 960 токенов. Полное дообучение снизило WER английской речи для этого голоса относительно базовой модели; в оценке из карточки лучший результат получен при генерации нескольких вариантов с отбором по совпадению распознанного текста.

Для работы требуется транскрипт референсного аудио: без него клонирование голоса не работает надёжно. Жадное декодирование может обрывать длинные фразы, а редкие имена иногда произносятся неверно. Модель распространяется по лицензии MIT.

Сценарии применения

  • озвучивание английских текстов голосом заданного диктора
  • клонирование голоса по короткому аудиофрагменту с транскриптом
  • создание выразительной англоязычной озвучки для контента
  • генерация речи с подбором лучшего варианта по совпадению с целевым текстом

Ограничения

Для клонирования нужен транскрипт аудиореференса; без него модель генерирует короткие несвязанные фрагменты. Жадное декодирование может обрывать длинные фразы, а редкие имена иногда произносятся неверно.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vyvo-Multilingual-EN-FT-v0.1

An English voice-cloning TTS model — Vyvo/Vyvo-Multilingual-v0.1 fine-tuned for a single expressive English speaker. Give a short reference clip (+ its transcript) and a target text; the model speaks the text in that voice by pure language-model continuation.

  • Backbone: Qwen3-0.6B + kyutai/mimi audio codec (32 codebooks, 24 kHz)
  • Base model: Vyvo/Vyvo-Multilingual-v0.1
  • Goal: sharply improve English intelligibility / WER for this voice over the multilingual base

Results

English Word Error Rate on 100 evaluation texts, transcribed with Qwen3-ASR-1.7B (lower = better):

ModelDecodingWER ↓Accuracy
Base (Vyvo-Multilingual-v0.1)greedy0.48551.5 %
This modelgreedy0.24875.2 %
This modelsampling + best-of-60.06793.3 %

Fine-tuning roughly halves the word error rate. Greedy decoding under-reports quality because of occasional early end-of-speech; with sampling + best-of-N the model reaches ~93 % word accuracy.

Recommended decoding

The model is a transcript-conditioned TTS: always pass the reference clip's transcript. Greedy can truncate long sentences, so for production use sampling (temperature ≈ 0.4–0.5, top_p = 0.9, repetition_penalty = 1.1) and, when quality matters, best-of-N (generate 4–6 candidates and keep the one whose ASR transcript best matches the target).

Usage

import soundfile as sf
import torch
import torchaudio
from transformers import (AutoModelForCausalLM, AutoTokenizer,
                          AutoFeatureExtractor, MimiModel)

REPO = "Vyvo/Vyvo-Multilingual-EN-FT-v0.1"
DEVICE = "cuda"

# Token layout (must match training)
BASE = 151669
NUM_CODEBOOKS, CODEBOOK_SIZE, AUDIO_OFFSET = 32, 2048, 10
SOS, EOS, SOH, EOH, SOA = 1, 2, 3, 4, 5   # special tokens, as offsets above BASE

tokenizer = AutoTokenizer.from_pretrained(REPO)
model = AutoModelForCausalLM.from_pretrained(REPO, dtype=torch.bfloat16).to(DEVICE).eval()
mimi = MimiModel.from_pretrained("kyutai/mimi").to(DEVICE).eval()
feature_extractor = AutoFeatureExtractor.from_pretrained("kyutai/mimi")


def encode_reference(path):
    wav, sr = sf.read(path, dtype="float32", always_2d=False)
    if wav.ndim > 1:
        wav = wav.mean(axis=1)
    target_sr = feature_extractor.sampling_rate
    if sr != target_sr:
        wav = torchaudio.functional.resample(
            torch.from_numpy(wav).unsqueeze(0), sr, target_sr).squeeze(0).numpy()
    inputs = feature_extractor(raw_audio=wav, sampling_rate=target_sr, return_tensors="pt")
    codes = mimi.encode(inputs["input_values"].to(DEVICE),
                        num_quantizers=NUM_CODEBOOKS).audio_codes[0].cpu()
    flat = codes.transpose(0, 1).reshape(-1).tolist()
    return [c + AUDIO_OFFSET + (i % NUM_CODEBOOKS) * CODEBOOK_SIZE + BASE
            for i, c in enumerate(flat)]


def build_prompt(ref_tokens, ref_text, target_text):
    text_ids = tokenizer(ref_text + " " + target_text, add_special_tokens=False).input_ids
    head = [BASE + SOH] + text_ids + [tokenizer.eos_token_id, BASE + EOH, BASE + SOA, BASE + SOS]
    return head + ref_tokens


def decode_audio(generated_ids):
    codes = []
    for i, tok in enumerate(generated_ids):
        v = tok - BASE - AUDIO_OFFSET - (i % NUM_CODEBOOKS) * CODEBOOK_SIZE
        if 0 <= v < CODEBOOK_SIZE:
            codes.append(v)
        else:
            break
    frames = len(codes) // NUM_CODEBOOKS
    codes = torch.tensor(codes[:frames * NUM_CODEBOOKS]).view(frames, NUM_CODEBOOKS)
    codes = codes.t().unsqueeze(0).to(DEVICE)
    return mimi.decode(codes).audio_values.squeeze().cpu().float().numpy()


reference_wav = "reference.wav"
reference_text = "text spoken in the reference clip"
target_text = "Hello, this is a test of the text to speech model."

prompt = build_prompt(encode_reference(reference_wav), reference_text, target_text)
input_ids = torch.tensor([prompt], device=DEVICE)
output = model.generate(
    input_ids, attention_mask=torch.ones_like(input_ids),
    max_new_tokens=9600, min_new_tokens=960,
    do_sample=True, temperature=0.45, top_p=0.9, repetition_penalty=1.1,
    eos_token_id=BASE + EOS, pad_token_id=tokenizer.eos_token_id)
audio = decode_audio(output[0, input_ids.shape[1]:].tolist())
sf.write("output.wav", audio, mimi.config.sampling_rate)

Training

Full fine-tune of every weight, continued from the base checkpoint (vocabulary already resized for the Mimi tokens).

Methodfull fine-tuning (liger fused cross-entropy)
Learning rate1e-4, cosine, warmup 0.03
Epochs / batch4 / 8
Hardware1× H100

A learning-rate sweep (1e-5 → 5e-5 → 1e-4) and a LoRA run were compared; full fine-tuning at 1e-4 won (LoRA reached WER 0.329, lr 5e-5 reached 0.310).

Limitations

  • Requires the reference transcript. Transcript-free / zero-shot cloning collapses (the model speaks short, unrelated fragments).
  • Single speaker / English only. Rare proper nouns are occasionally mis-rendered.
  • Greedy decoding may truncate long sentences — see Recommended decoding.

License

Fine-tuned from Vyvo/Vyvo-Multilingual-v0.1. Released under the MIT License.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
b852e92

0 моделей