/ Модель

Характеристики

Лицензия
MIT
Опубликована
6 мая 2026

wfloat-tts

Синтез речиТекст → аудио3 профессии

Лёгкая англоязычная модель VITS для локального синтеза речи с выбором из 20 голосов и управлением эмоцией и её интенсивностью.

64скачиваний за 30 дней8лайковвеса обновлены11 мая 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

wfloat-tts — лёгкая многоязычная по голосам, но англоязычная модель синтеза речи на архитектуре VITS, опубликованная Wfloat. Она преобразует текст в речь и поддерживает выбор одного из 20 голосов по числовому идентификатору, а также управление эмоцией и её интенсивностью для всей реплики. Среди доступных эмоций — радость, грусть, гнев, страх, удивление, пренебрежение и замешательство; интенсивность задаётся в диапазоне от 0 до 1 и преобразуется в один из десяти уровней.

Модель предназначена для локального синтеза речи в браузере, мобильных приложениях и среде Python. Репозиторий содержит веса Safetensors и примеры аудио; для запуска в Python разработчик указывает собственный пакет. В метаданных указана лицензия MIT. README не сообщает размер модели и длину контекста.

Сценарии применения

  • озвучивание английского текста несколькими голосами
  • создание эмоциональных реплик для игр и интерактивных историй
  • синтез речи с заданной эмоцией и её интенсивностью
  • встраивание локальной озвучки в мобильные приложения
  • синтез речи в браузере без отправки текста на сервер

Ограничения

Модель рассчитана на английскую речь; выбор голоса, эмоции и интенсивности ограничен заданными идентификаторами и метками. Интенсивность дискретизируется до десяти уровней.

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

wfloat-tts

wfloat-tts is a lightweight multi-speaker English VITS text-to-speech model with speaker, emotion, and intensity control. Includes samples.

On-Device packages

This Hugging Face repo contains the model files. Wfloat also ships packages that distribute and run wfloat-tts locally on the user's device:

  • Web for running locally in the browser, including mobile browsers
  • React Native for running locally in iOS and Android apps
  • Python for running in Python environments

Missing the platform or framework you need? Please request it!

Sample Outputs

mad_scientist_woman surprise

  • Audio: samples/08_mad_scientist_woman_surprise_080.wav
  • Input text: "No, no, that's not possible. The formula should have crystallized, but it adapted instead. Do you realize what that means for the rest of my work?"
  • sid: 7
  • emotion: surprise
  • intensity: 0.8

fun_hero_woman joy

strong_hero_man anger

  • Audio: samples/05_strong_hero_man_anger_080.wav
  • Input text: "Enough. You had your warning, and you kept pushing innocent people around. Take one more step, and I end this."
  • sid: 4
  • emotion: anger
  • intensity: 0.8

Find more examples in the samples folder.

Inputs

The intended inference inputs are:

  • text: the utterance to synthesize
  • sid: numeric speaker id
  • emotion: emotion label
  • intensity: value from 0.0 to 1.0

You do not need to pass raw control symbols. The Python helper converts emotion and intensity into the control tokens the model was trained on.

Install

For running the model from Hugging Face. Official Python package: wfloat-python.

pip install -e .
pip install "piper-phonemize==1.3.0" -f https://k2-fsa.github.io/icefall/piper_phonemize

Runtime dependencies:

  • torch
  • numpy
  • safetensors
  • piper-phonemize

piper-phonemize is installed separately because the current recommended wheels are hosted here:

Python Example

from wfloat_tts import load_generator, write_wave

generator = load_generator(
    checkpoint_path="model.safetensors",
    config_path="config.json",
)

audio = generator.generate(
    text="Hey there, how are you today?",
    sid=11,
    emotion="neutral",
    intensity=0.5,
)

write_wave("out.wav", audio.samples, audio.sample_rate)

How It Is Conditioned

This model was trained to condition on:

  • speaker id
  • one emotion control token
  • one intensity control token

The reference inference path processes a full utterance, appends one emotion token and one intensity token for the whole utterance, and runs synthesis over that full sequence.

Speaker IDs

Use numeric sid values:

SpeakerSID
skilled_hero_man0
skilled_hero_woman1
fun_hero_man2
fun_hero_woman3
strong_hero_man4
strong_hero_woman5
mad_scientist_man6
mad_scientist_woman7
clever_villain_man8
clever_villain_woman9
narrator_man10
narrator_woman11
wise_elder_man12
wise_elder_woman13
outgoing_anime_man14
outgoing_anime_woman15
scary_villain_man16
scary_villain_woman17
news_reporter_man18
news_reporter_woman19

Emotions

Supported emotion labels:

  • neutral
  • joy
  • sadness
  • anger
  • fear
  • surprise
  • dismissive
  • confusion

intensity is clamped to the range [0.0, 1.0] and mapped to one of ten discrete intensity levels.

Notes

  • model.safetensors is the main inference artifact in this repo.
  • config.json includes the token mapping needed by the processor.
  • The current release uses a multi-speaker model with 20 speakers.
  • Training code: https://github.com/wfloat/piper
  • Checkpoint needed to resume training: epoch=710-step=258422.ckpt.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
fda5137

0 моделей