/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
CC BY-NC 4.0
Архитектура
dots_tts · dense
Опубликована
9 окт 2026

VoTSpeech

Синтез речиТекст → аудио

VoTSpeech генерирует речь частотой 48 кГц по тексту и естественно-языковому описанию желаемого голоса.

73скачиваний за 30 дней5лайковвеса обновлены15 окт 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

VoTSpeech — модель синтеза речи с управлением голосом через естественно-языковое описание. Она отделяет проектирование голоса от генерации речи: по тексту для озвучивания и описанию желаемого голоса модель формирует непрерывное представление голоса и генерирует речь с частотой 48 кГц. Модель расширяет авторегрессионную основу dots.tts-soar дополнительным этапом проектирования голоса, обусловленным инструкцией.

В репозитории размещены веса модели в формате safetensors, веса вокодера и энкодера говорящего, статистики нормализации голосового латентного представления, конфигурации и токенизатор. Модель предназначена для озвучивания текста с выбором голоса по текстовому описанию. Карточка ссылается на ywbn/VoTSpeech за кодом и инструкциями по запуску. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • озвучивание текста голосом, заданным словесным описанием
  • создание речи с настраиваемыми характеристиками голоса
  • генерация аудио для диалогов и персонажей
  • подготовка озвучки с заданным стилем голоса

Ограничения

Лицензия CC BY-NC 4.0 не допускает коммерческого использования. В предоставленной карточке не описаны качество синтеза, поддерживаемые языки помимо китайского и ограничения по длине входного текста.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VoTSpeech Model Weights

Paper: VoTSpeech: Decoupling Voice Design from Speech Generation in Instruction-Following TTS

VoTSpeech is an instruction-following text-to-speech model that separates voice design from speech generation. Given synthesis text and a natural-language voice description, it designs a continuous voice representation and generates 48 kHz speech in the requested voice.

The model extends the continuous autoregressive dots.tts-soar backbone with an instruction-conditioned voice-design stage. This repository provides the released VoTSpeech checkpoint and the configuration and tokenizer assets needed to load it.

Code and usage

For inference code, installation, and usage instructions, see ywbn/VoTSpeech.

Weight files

  • model.safetensors: VoTSpeech model weights
  • vocoder.safetensors: 48 kHz vocoder weights
  • speaker_encoder.safetensors: speaker encoder weights
  • latent_stats.pt: voice-latent normalization statistics
  • config.json, llm_config.json: model configuration
  • tokenizer.json, tokenizer_config.json, chat_template.jinja: tokenizer assets
  • SHA256SUMS: release integrity checksums

License

The VoTSpeech model weights are licensed under CC BY-NC 4.0. The license permits non-commercial use, sharing, and adaptation with appropriate credit and an indication of any changes. The inference code is distributed separately in the GitHub repository.

VoTSpeech is intended for non-commercial research and evaluation. Publicly shared outputs should be identified as synthetic speech, and permission should be obtained before imitating an identifiable person. This repository does not distribute training data; rights in third-party source materials remain with their respective holders. Users should review generated audio and avoid deceptive, harmful, or privacy-invasive uses.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура dots_tts неизвестна transformers в образе рантайма.

Класс архитектуры
DotsTTSForConditionalGeneration
Ревизия весов
51ebc8b

0 моделей