/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,3 млрд
Размер весов
13,2 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
3b-hi-ft-research_release
Опубликована
17 июн 2026

svara-tts-v1

Генерация текстаТекст → текст3 профессии

Производная модели kenpath/svara-tts-v1. Многоязычная модель преобразования текста в выразительную речь на 18 индийских языках и индийском английском.

107скачиваний за 30 дней0лайковвеса обновлены17 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

Карточка модели ankurbanik/svara-tts-v1 на Hugging Face совпадает с карточкой kenpath/svara-tts-v1, поэтому описание составлено по ней.

svara-TTS v1 — многоязычная модель синтеза речи, опубликованная kenpath и построенная на базе canopylabs/3b-hi-ft-research_release. Это плотная LlamaForCausalLM с подходом Orpheus: текст преобразуется в дискретные аудиотокены, из которых синтезируется речь. Модель содержит 3,3 млрд параметров, а длина контекста составляет 131 072 токена.

Модель предназначена для синтеза речи на 18 индийских языках и индийском английском, включая хинди, бенгальский, маратхи, телугу, каннада, тамильский, непальский и санскрит. Она поддерживает управление стилем и эмоциями, простые идентификаторы дикторов, переключение языков и zero-shot адаптацию. Разработчик отмечает низкую задержку, возможность запуска на обычных GPU и CPU, а также совместимость с GGUF-экспортами; в метаданных репозитория указан формат safetensors.

Сценарии применения включают голосовых помощников, IVR, озвучивание учебных материалов, средства доступности и локализацию контента. Карточка сообщает об обучении на более чем 2 000 часах речи из SYSPIN, RASA, IndicTTS и SPICOR. Известные ограничения: редкие имена могут требовать подсказок по произношению, длинные предложения лучше разбивать, а сила эмоциональной окраски различается между языками; переключение языков не является детерминированным. Лицензия — Apache-2.0.

Сценарии применения

  • синтез речи для многоязычного голосового помощника
  • озвучивание телефонного IVR
  • чтение учебных материалов вслух
  • озвучивание локализованного общественного контента
  • создание речи для приложений доступности
  • эксперименты с просодией и эмоциональной окраской на индийских языках

Ограничения

Редкие имена могут требовать подсказок по произношению, а длинные предложения лучше разбивать или снабжать пунктуацией. Выраженность эмоций меняется в зависимости от языка, а переключение языков не гарантирует детерминированного результата.

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

svara-TTS v1 — Open Multilingual TTS for India’s Voices

🤗 Hugging Face - svara-tts-v1 Model 🤗 Hugging Face - Spaces Open In Colab GitHub

svara-TTS is a developer-first multilingual TTS model for 19 languages (18 Indic + Indian English).
Built on an Orpheus-style discrete audio token approach, it targets clarity, expressiveness, and low-latency on commodity GPUs/CPUs.
It supports light-weight emotion/style control (e.g., <happy>, <sad>, <anger>, <fear>) and simple speaker identities (Language (Gender)), with zero-shot adaptation paths.


At a Glance

  • Languages (19): Hindi, Bengali, Marathi, Telugu, Kannada, Bhojpuri, Magahi, Chhattisgarhi, Maithili, Assamese, Bodo, Dogri, Gujarati, Malayalam, Punjabi, Tamil, Nepali, Sanskrit, Indian English.
  • Expressivity: End-of-utterance style tags; natural prosody; code-switch aware.
  • Latency & Deployment: Works well with GGUF exports; suitable for edge/CPU scenarios.
  • Adaptability: LoRA-friendly for quick speaker/domain specialization.

Try it live on the Demo Space, or on Colab Deployment scripts and inference repo will be available soon. Watch our Github for updates


Prompting (Orpheus-style)

  • Place style/emotion tags at the end of the sentence:
    आज... सच में अच्छी खबर है — शाम को मिलते हैं! <happy>
  • Use punctuation to hint prosody (ellipses, commas, exclamation).
  • For technical or dense text, end with <clear> to prioritize intelligibility.

Speaker IDs follow a simple convention: Language (Gender) (e.g., Marathi (Male)).


Training Data Summary

Trained on 2000+ hours of open, high-quality speech from SYSPIN, RASA, IndicTTS, and SPICOR, covering ~50 speakers (balanced male/female) across 19 languages.
Data was curated to encourage natural prosody, broad coverage, and stable multilingual transfer. See Acknowledgments for provenance.


Intended Uses

  • Multilingual assistants, IVR, learning apps, reading aids, accessibility tools
  • Content localization (education, public-information, civic services)
  • Research on Indic prosody, emotion control, cross-lingual transfer

Out-of-Scope / Not Intended

  • Impersonation of private individuals or public figures without consent
  • Deceptive content (fraud, harassment, misinformation)
  • Safety-critical deployments without human oversight

Limitations

  • Proper nouns & rare entities: may require spelling hints or <clear>.
  • Very long sentences: chunk or add punctuation for natural prosody.
  • Emotion strength: varies by language due to data density.
  • Code-mixing: common patterns work; it’s not a deterministic rules engine.

Many of these improve with targeted LoRA finetuning and better preprocessing.


Responsible Use

By using this model, you agree to follow applicable laws and ethical guidelines.
Avoid impersonation, harassment, targeted deception, or other harmful uses.
Where appropriate, disclose synthetic speech to end users.


Sources & Links


🙏 Acknowledgments

This work was developed by Kenpath Technologies for the open-source community. We also thank RunPod for the startup credits that supported our GPU compute.

  • Canopy Labs — Orpheus: foundational ideas & open release
    Release: https://canopylabs.ai/releases/orpheus_can_speak_any_language
  • SPIRE Lab, IISc Bangalore — SYSPIN (multilingual studio) and SPICOR (Indian English)
  • AI4Bharat — RASA expressive speech
  • IIT Madras — IndicTTS
  • Unsloth — helpful notes & tooling
  • RunPod — startup GPU credits that accelerated experiments

License

Apache-2.0


Versioning & Changelog

  • v1.0.0: Initial public release (19 languages)

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
87052d2

0 моделей