/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,3 млрд
Размер весов
6,6 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
8 авг 2026

orpheus-australian-en-tts

Генерация текстаТекст → текст3 профессии

Модель синтезирует английскую речь с австралийским акцентом и выбором одного из восьми голосов.

114скачиваний за 30 дней1лайквеса обновлены8 авг 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

Orpheus Australian-English TTS — это дообученная модель синтеза речи на базе canopylabs/orpheus-tts-0.1-pretrained, разработанная ablm​​ontazer. В основе — плотная Llama-архитектура с 3,3 млрд параметров и аудиокодеком SNAC с частотой 24 кГц; модель принимает текст на английском языке и генерирует монофоническую речь с австралийским акцентом. Поддерживаются восемь именованных голосов.

Модель предназначена для озвучивания текста, например аудиокниг, диалогов, объявлений и демонстрационных голосовых интерфейсов. Обучение проводилось на аудиокнигах LibriVox и драматических чтениях из общественного достояния; в README приведены примеры генерации и рекомендации по температуре 0,5–0,7. Указанный авторами контекст — 131 072 токена.

Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Авторы отмечают, что у одного из голосов было меньше обучающих данных, поэтому его генерация менее стабильна; выборка обучения составляла около 22 часов суммарно для восьми голосов.

Сценарии применения

  • озвучивание текста австралийским английским
  • создание аудиоверсий книг и рассказов
  • генерация реплик для голосовых интерфейсов
  • озвучивание диалогов несколькими голосами
  • создание австралийской англоязычной озвучки для демонстраций

Ограничения

У одного из восьми голосов меньше обучающих данных, поэтому он может звучать менее стабильно. Обучающая выборка составляла около 22 часов аудио суммарно.

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

Orpheus Australian-English TTS

A finetune of canopylabs/orpheus-tts-0.1-pretrained (Llama-3.2-3B backbone + SNAC 24 kHz neural codec) that speaks Australian-accented English in 8 named voices. Trained on public-domain Australian LibriVox audiobooks and dramatic readings, with mild DeepFilterNet denoising.

Voices

Pass one of these names as the speaker. (Names are random pseudonyms; the underlying public-domain readers are not identified.)

voicegender
flynnmale
angusmale
masonmale
coopermale
deltafemale
rubyfemale
siennafemale
matildafemale

Samples

Generated with this model at temperature=0.6. Nothing was hand-picked by ear: each clip was transcribed back with Whisper large-v3-turbo and kept only if it matched the target sentence (31 of 32 first takes passed; one was re-rolled). Browse or download them in samples/, or open the demo Space.

“Good morning! It's a lovely day for a walk down by the harbour, isn't it?”

voicevoice
flynn (male)angus (male)
mason (male)cooper (male)
delta (female)ruby (female)
sienna (female)matilda (female)

“The dance class starts at half past three, so we'd rather take the car than walk in this weather.”

voicevoice
flynn (male)angus (male)
mason (male)cooper (male)
delta (female)ruby (female)
sienna (female)matilda (female)

“No worries, mate. I'll grab a coffee on the way and meet you at the station this afternoon.”

voicevoice
flynn (male)angus (male)
mason (male)cooper (male)
delta (female)ruby (female)
sienna (female)matilda (female)

“It was a warm afternoon in the bush, and the road stretched on for miles ahead of us, past the grey gum trees and the dry creek bed.”

voicevoice
flynn (male)angus (male)
mason (male)cooper (male)
delta (female)ruby (female)
sienna (female)matilda (female)

Install

pip install torch transformers soundfile
pip install snac            # neural audio codec used by Orpheus

If transformers fails to import with a Keras-3 error, run with USE_TF=0 USE_FLAX=0.

Quick start / deployment

A single self-contained inference function. Works on a CUDA GPU (bf16 ~7 GB VRAM); for CPU drop .to("cuda") and use float32.

import torch, soundfile as sf
from transformers import AutoModelForCausalLM, AutoTokenizer
from snac import SNAC

REPO = "ablmontazer/orpheus-australian-en-tts"
DEV  = "cuda"
# Orpheus control tokens (fixed)
SOH, EOT, EOH, SOAI, SOS, EOS, EOAI, PAD, BASE_A = 128259,128009,128260,128261,128257,128258,128262,128263,128266

tok   = AutoTokenizer.from_pretrained(REPO)
model = AutoModelForCausalLM.from_pretrained(REPO, torch_dtype=torch.bfloat16).to(DEV).eval()
snac  = SNAC.from_pretrained("hubertsiuzdak/snac_24khz").to(DEV).eval()

@torch.inference_mode()
def tts(voice: str, text: str, out_path: str = "out.wav", temperature: float = 0.6):
    # prompt format is  "<voice>: <text>"
    ids = [SOH] + tok.encode(f"{voice}: {text}", add_special_tokens=False) + [EOT, EOH, SOAI, SOS]
    gen = model.generate(torch.tensor([ids]).to(DEV), max_new_tokens=1400, do_sample=True,
                         temperature=temperature, top_p=0.95, eos_token_id=EOAI, pad_token_id=PAD)[0].tolist()
    audio = [t for t in gen[len(ids):] if BASE_A <= t < BASE_A + 7*4096]
    a = [t - BASE_A for t in audio]; n = len(a)//7
    c0, c1, c2 = [], [], []
    for i in range(n):                      # de-interleave 7 tokens/frame -> 3 SNAC codebooks
        f = a[i*7:i*7+7]
        c0.append(f[0]%4096)
        c1.append(f[1]%4096); c1.append(f[4]%4096)
        c2.append(f[2]%4096); c2.append(f[3]%4096); c2.append(f[5]%4096); c2.append(f[6]%4096)
    codes = [torch.tensor(c0)[None].to(DEV), torch.tensor(c1)[None].to(DEV), torch.tensor(c2)[None].to(DEV)]
    y = snac.decode(codes)[0, 0].cpu().numpy()
    sf.write(out_path, y, 24000)
    return out_path

# examples
tts("delta",  "Good morning! It's a lovely day for a walk down by the harbour.")
tts("flynn",  "No worries mate, I'll give you a hand with that.")

Available voices: flynn, angus, mason, cooper, delta, ruby, sienna, matilda.

Minimal HTTP server (optional)

from fastapi import FastAPI
from fastapi.responses import FileResponse
app = FastAPI()

@app.get("/tts")
def synth(voice: str, text: str):
    return FileResponse(tts(voice, text, "/tmp/tts.wav"), media_type="audio/wav")
# uvicorn app:app --host 0.0.0.0 --port 8000

Notes

  • Sampling: temperature 0.5-0.7 is a good range; lower = steadier, higher = more expressive.
  • Output is 24 kHz mono.
  • One voice (the smallest) has less training data and is slightly less stable.

Training

  • ~22 h total across the 8 voices (capped ~4 h/voice), 24 kHz, mild DeepFilterNet denoise.
  • Sequence: [SOH] + text_ids("voice: text") + [EOT,EOH,SOAI,SOS] + snac_audio + [EOS,EOAI].
  • Eval + early stopping (best checkpoint kept), cosine LR 5e-5, bf16, ~1 epoch effective.

Data & license

Source audio is public domain (LibriVox). Base model and code under Apache-2.0. Speaker identities are anonymised (pseudonymous voice names).

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
2ca4be9

0 моделей