/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Fun-CosyVoice3-0.5B-2512
Опубликована
24 июл 2026

WordVoice-base-0.5B

Синтез речиТекст → аудио

Дообученная на базе CosyVoice3 модель преобразует китайский и английский текст в речь с управлением просодией на уровне слов.

0скачиваний за 30 дней0лайковвеса обновлены24 июл 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

WordVoice-base-0.5B — дообученная модель синтеза речи от проекта WordVoice, построенная на CosyVoice3. Она преобразует текст в речь и позволяет независимо задавать для каждого слова длительность произношения, паузу, громкость, высоту тона и тип интонационного контура. Модель авторегрессионно планирует акустические характеристики слова перед генерацией речевых токенов.

Модель предназначена для управляемого синтеза речи, когда нужно точечно регулировать просодию отдельных слов, а также для обычной генерации речи в свободном режиме. В метаданных указаны китайский и английский языки; модель основана на FunAudioLLM/Fun-CosyVoice3-0.5B-2512 и дообучена на датасете XXH333/WordVoice-5A. Распространяется под лицензией Apache-2.0.

Сценарии применения

  • синтез речи с заданной длительностью произношения каждого слова
  • управление паузами между словами при генерации речи
  • регулировка громкости отдельных слов в озвучке
  • задание высоты тона и интонации для каждого слова
  • генерация речи на китайском и английском языках

Ограничения

Контроль просодии задаётся через предусмотренные моделью параметры длительности, паузы, громкости, высоты тона и типа интонации; README не сообщает о результатах сравнительной оценки качества.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

WordVoice: Explicit and Decoupled Multi-Dimensional Word-Level Control for LLM-Based TTS

WordVoice is a novel speech generation framework that transforms traditional implicit end-to-end TTS generation into an explicit, highly controllable paradigm. Built on top of the CosyVoice3 framework, it enables precise and decoupled word-level control over five acoustic dimensions.


✨ Features

🎯 Explicit Word-Level Control

Supports independent and decoupled control of five acoustic attributes for each input word:

  • ⏱️ Duration: Word-level pronunciation duration.
  • ⏸️ Boundary: 5-level pause classification (b0–b4).
  • 🔊 Energy: Word-level volume/loudness (0–1).
  • 🎵 Pitch: Word-level core fundamental frequency (-1–1).
  • 📈 Tone: 7 categories of prosodic morphologies (flat, rise, strong rise, fall, strong fall, peak, valley).

🧠 "Acoustic Thinking" Mechanism via Bound-Token

Employs a bound-token (<b>) mechanism within the autoregressive (AR) language model. Before generating the speech tokens for a specific word, the model explicitly predicts its acoustic attributes, realizing an intelligent process of "planning prosody first, then generating sound."


🛠️ Quick Start

Installation

We recommend using Conda to manage your Python environment.

conda create -n wordvoice python=3.10 -y
conda activate wordvoice

git clone https://github.com/XXH333/WordVoice-main.git
cd WordVoice-main

pip install -e .
pip install num2words==0.5.14 x_transformers==2.11.24

Download Model Weights

Run the following script to automatically download the pre-trained weights and dependencies (such as CosyVoice3, MMS-FA, etc.):

bash download_models.sh

Inference

You can run the out-of-the-box inference script to experience both the Free Mode and Control Mode of WordVoice:

python wordvoice_infer.py

For custom prompts and detailed control parameters, refer to wordvoice_infer.py and the GitHub repository.


📝 Citation

If you find this work or the models useful, please cite:

@misc{nie2026wordvoice,
      title={WordVoice: Explicit and Decoupled Multi-Dimensional Word-Level Control for LLM-Based TTS}, 
      author={Sihang Nie and Jinxin Ji and Xiaofen Xing and Deyi Tuo and Chengbin Jin and Jialong Mai and Xiangmin Xu},
      year={2026},
      eprint={2607.06461},
      archivePrefix={arXiv},
      primaryClass={eess.AS},
      url={https://arxiv.org/abs/2607.06461}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
7017c4c

0 моделей