/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
22 авг 2025

TaDiCodec-TTS-AR-Qwen2.5-3B

Генерация текстаТекст → текст3 профессии

Производная модели amphion/TaDiCodec-TTS-AR-Qwen2.5-0.5B. Авторегрессионная модель Amphion на базе Qwen2.5-0.5B для генерации речи из текста с кодеком TaDiCodec.

479скачиваний за 30 дней6лайковвеса обновлены26 авг 2025

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

Карточка модели amphion/TaDiCodec-TTS-AR-Qwen2.5-3B на Hugging Face совпадает с карточкой amphion/TaDiCodec-TTS-AR-Qwen2.5-0.5B, поэтому описание составлено по ней.

TaDiCodec-TTS-AR-Qwen2.5-0.5B — авторегрессионная модель синтеза речи из текста, разработанная командой Amphion. Она использует Qwen2.5-0.5B-Instruct для генерации речевых токенов и кодек TaDiCodec для восстановления речи; модель предназначена для синтеза речи, в том числе в сценариях zero-shot TTS. TaDiCodec кодирует речь с частотой кадров 6,25 Гц и битрейтом 0,0875 кбит/с для аудио 24 кГц, применяя одноуровневый кодбук и диффузионный автоэнкодер с текстовым управлением декодером. Модель содержит около 508,4 млн параметров, использует архитектуру Qwen2 и библиотеку Transformers; контекст — до 32 768 токенов. В карточке заявлена поддержка английского, китайского, японского, французского, немецкого и корейского языков. Лицензия — Apache-2.0. Оценки качества и ограничения использования в предоставленных данных подробно не раскрыты.

Сценарии применения

  • синтез речи из заданного текста
  • zero-shot синтез речи
  • создание речевого аудио с кодеком TaDiCodec

Ограничения

В предоставленных данных нет подробных сведений о качестве речи, поддержке клонирования голоса или ограничениях на применение; заявленные метрики относятся к проекту TaDiCodec в целом.

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

🚀 TaDiCodec

We introduce the Text-aware Diffusion Transformer Speech Codec (TaDiCodec), a novel approach to speech tokenization that employs end-to-end optimization for quantization and reconstruction through a diffusion autoencoder, while integrating text guidance into the diffusion decoder to enhance reconstruction quality and achieve optimal compression. TaDiCodec achieves an extremely low frame rate of 6.25 Hz and a corresponding bitrate of 0.0875 kbps with a single-layer codebook for 24 kHz speech, while maintaining superior performance on critical speech generation evaluation metrics such as Word Error Rate (WER), speaker similarity (SIM), and speech quality (UTMOS).

GitHub Stars arXiv Demo Python PyTorch Hugging Face

🤗 Pre-trained Models

📦 Model Zoo - Ready to Use!

Download our pre-trained models for instant inference

🎵 TaDiCodec

Model🤗 Hugging Face👷 Status
🚀 TaDiCodecHF✅
🚀 TaDiCodec-oldHF🚧

Note: TaDiCodec-old is the old version of TaDiCodec, the TaDiCodec-TTS-AR-Phi-3.5-4B is based on TaDiCodec-old.

🎤 TTS Models

ModelTypeLLM🤗 Hugging Face👷 Status
🤖 TaDiCodec-TTS-AR-Qwen2.5-0.5BARQwen2.5-0.5B-InstructHF✅
🤖 TaDiCodec-TTS-AR-Qwen2.5-3BARQwen2.5-3B-InstructHF✅
🤖 TaDiCodec-TTS-AR-Phi-3.5-4BARPhi-3.5-mini-instructHF🚧
🌊 TaDiCodec-TTS-MGMMGM-HF✅

🔧 Quick Model Usage

# 🤗 Load from Hugging Face
from models.tts.tadicodec.inference_tadicodec import TaDiCodecPipline
from models.tts.llm_tts.inference_llm_tts import TTSInferencePipeline
from models.tts.llm_tts.inference_mgm_tts import MGMInferencePipeline

# Load TaDiCodec tokenizer, it will automatically download the model from Hugging Face for the first time
tokenizer = TaDiCodecPipline.from_pretrained("amphion/TaDiCodec")

# Load AR TTS model, it will automatically download the model from Hugging Face for the first time  
tts_model = TTSInferencePipeline.from_pretrained("amphion/TaDiCodec-TTS-AR-Qwen2.5-3B")

# Load MGM TTS model, it will automatically download the model from Hugging Face for the first time
tts_model = MGMInferencePipeline.from_pretrained("amphion/TaDiCodec-TTS-MGM")

🚀 Quick Start

Installation

# Clone the repository
git clone https://github.com/HeCheng0625/Diffusion-Speech-Tokenizer.git
cd Diffusion-Speech-Tokenizer

# Install dependencies
bash env.sh

Basic Usage

Please refer to the use_examples folder for more detailed usage examples.

Speech Tokenization and Reconstruction

# Example: Using TaDiCodec for speech tokenization
import torch
import soundfile as sf
from models.tts.tadicodec.inference_tadicodec import TaDiCodecPipline

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
pipe = TaDiCodecPipline.from_pretrained(ckpt_dir="./ckpt/TaDiCodec", device=device)

# Text of the prompt audio
prompt_text = "In short, we embarked on a mission to make America great again, for all Americans."
# Text of the target audio
target_text = "But to those who knew her well, it was a symbol of her unwavering determination and spirit."

# Input audio path of the prompt audio
prompt_speech_path = "./use_examples/test_audio/trump_0.wav"
# Input audio path of the target audio
speech_path = "./use_examples/test_audio/trump_1.wav"

rec_audio = pipe(
    text=target_text,
    speech_path=speech_path,
    prompt_text=prompt_text,
    prompt_speech_path=prompt_speech_path
)
sf.write("./use_examples/test_audio/trump_rec.wav", rec_audio, 24000)

Zero-shot TTS with TaDiCodec

import torch
import soundfile as sf
from models.tts.llm_tts.inference_llm_tts import TTSInferencePipeline
# from models.tts.llm_tts.inference_mgm_tts import MGMInferencePipeline

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# Create AR TTS pipeline
pipeline = TTSInferencePipeline.from_pretrained(
    tadicodec_path="./ckpt/TaDiCodec",
    llm_path="./ckpt/TaDiCodec-TTS-AR-Qwen2.5-3B",
    device=device,
)

# Inference on single sample, you can also use the MGM TTS pipeline
audio = pipeline(
    text="但是 to those who 知道 her well, it was a 标志 of her unwavering 决心 and spirit.",   # code-switching cases are supported
    prompt_text="In short, we embarked on a mission to make America great again, for all Americans.",
    prompt_speech_path="./use_examples/test_audio/trump_0.wav",
)

sf.write("./use_examples/test_audio/lm_tts_output.wav", audio, 24000)

📚 Citation

If you find this repository useful, please cite our paper:

TaDiCodec:

@article{tadicodec2025,
  title={TaDiCodec: Text-aware Diffusion Speech Tokenizer for Speech Language Modeling},
  author={Yuancheng Wang, Dekun Chen, Xueyao Zhang, Junan Zhang, Jiaqi Li, Zhizheng Wu},
  journal={arXiv preprint},
  year={2025},
  url={https://arxiv.org/abs/2508.16790}
}

Amphion:

@inproceedings{amphion,
    author={Xueyao Zhang and Liumeng Xue and Yicheng Gu and Yuancheng Wang and Jiaqi Li and Haorui He and Chaoren Wang and Ting Song and Xi Chen and Zihao Fang and Haopeng Chen and Junan Zhang and Tze Ying Tang and Lexiao Zou and Mingxuan Wang and Jun Han and Kai Chen and Haizhou Li and Zhizheng Wu},
    title={Amphion: An Open-Source Audio, Music and Speech Generation Toolkit},
    booktitle={{IEEE} Spoken Language Technology Workshop, {SLT} 2024},
    year={2024}
}

MaskGCT:

@inproceedings{wang2024maskgct,
  author={Wang, Yuancheng and Zhan, Haoyue and Liu, Liwei and Zeng, Ruihong and Guo, Haotian and Zheng, Jiachen and Zhang, Qiang and Zhang, Xueyao and Zhang, Shunsi and Wu, Zhizheng},
  title={MaskGCT: Zero-Shot Text-to-Speech with Masked Generative Codec Transformer},
  booktitle    = {{ICLR}},
  publisher    = {OpenReview.net},
  year         = {2025}
}

🙏 Acknowledgments

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
5955b78

0 моделей