/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
csm-1b
Библиотека
transformers
Опубликована
18 мар 2025

csm-1b

Синтез речиТекст → аудио3 профессии

CSM 1B от Sesame — англоязычная модель синтеза разговорной речи по тексту с учётом аудиоконтекста.

26скачиваний за 30 дней5лайковвеса обновлены18 мар 2025

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

chutesai/csm-1b — версия модели CSM 1B от Sesame в формате Safetensors FP16, размещённая Chutes AI. Это модель генерации речи по тексту с аудиоконтекстом: Llama-основа обрабатывает текст и входные аудиоданные, а аудиодекодер формирует коды Mimi/RVQ для синтеза. Репозиторий содержит обновлённую конфигурацию и код, настроенные на ungated Llama.

Модель предназначена для генерации разговорной речи и может создавать разные голоса, но не настроена на конкретный голос. Она не генерирует текст и не является универсальной мультимодальной языковой моделью; для ведения диалога с текстовыми ответами потребуется отдельная LLM. Основной поддерживаемый язык — английский, а качество для других языков, вероятно, низкое. Лицензия — Apache-2.0.

Сценарии применения

  • синтез разговорной речи из текста
  • озвучивание реплик для голосовых интерфейсов
  • генерация речи с учётом аудиоконтекста
  • создание вариативных голосов для демонстраций и прототипов

Ограничения

Модель не генерирует текст и не настроена на конкретный голос; качество для языков помимо английского, вероятно, низкое. README запрещает использовать её для имитации людей без согласия, мошенничества и обмана.

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

CSM 1B (Safetensors)

Safetensors format from here, with an updated config and code pointing to ungated llama.

Converted from the original version to the Safetensors FP16 format. It also tracks downloads.

2025/03/13 - We are releasing the 1B CSM variant. Code is available on GitHub: SesameAILabs/csm.


CSM (Conversational Speech Model) is a speech generation model from Sesame that generates RVQ audio codes from text and audio inputs. The model architecture employs a Llama backbone and a smaller audio decoder that produces Mimi audio codes.

A fine-tuned variant of CSM powers the interactive voice demo shown in our blog post.

A hosted HuggingFace space is also available for testing audio generation.

Usage

Setup the repo

git clone git@github.com:SesameAILabs/csm.git
cd csm
python3.10 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Generate a sentence

from generator import load_csm_1b
import torchaudio

generator = load_csm_1b(device="cuda")
audio = generator.generate(
    text="Hello from Sesame.",
    speaker=0,
    context=[],
    max_audio_length_ms=10_000,
)

torchaudio.save("audio.wav", audio.unsqueeze(0).cpu(), generator.sample_rate)

CSM sounds best when provided with context. You can prompt or provide context to the model using a Segment for each speaker utterance.

speakers = [0, 1, 0, 0]
transcripts = [
    "Hey how are you doing.",
    "Pretty good, pretty good.",
    "I'm great.",
    "So happy to be speaking to you.",
]
audio_paths = [
    "utterance_0.wav",
    "utterance_1.wav",
    "utterance_2.wav",
    "utterance_3.wav",
]

def load_audio(audio_path):
    audio_tensor, sample_rate = torchaudio.load(audio_path)
    audio_tensor = torchaudio.functional.resample(
        audio_tensor.squeeze(0), orig_freq=sample_rate, new_freq=generator.sample_rate
    )
    return audio_tensor

segments = [
    Segment(text=transcript, speaker=speaker, audio=load_audio(audio_path))
    for transcript, speaker, audio_path in zip(transcripts, speakers, audio_paths)
]
audio = generator.generate(
    text="Me too, this is some cool stuff huh?",
    speaker=1,
    context=segments,
    max_audio_length_ms=10_000,
)

torchaudio.save("audio.wav", audio.unsqueeze(0).cpu(), generator.sample_rate)

FAQ

Does this model come with any voices?

The model open sourced here is a base generation model. It is capable of producing a variety of voices, but it has not been fine-tuned on any specific voice.

Can I converse with the model?

CSM is trained to be an audio generation model and not a general purpose multimodal LLM. It cannot generate text. We suggest using a separate LLM for text generation.

Does it support other languages?

The model has some capacity for non-English languages due to data contamination in the training data, but it likely won't do well.

Misuse and abuse ⚠️

This project provides a high-quality speech generation model for research and educational purposes. While we encourage responsible and ethical use, we explicitly prohibit the following:

  • Impersonation or Fraud: Do not use this model to generate speech that mimics real individuals without their explicit consent.
  • Misinformation or Deception: Do not use this model to create deceptive or misleading content, such as fake news or fraudulent calls.
  • Illegal or Harmful Activities: Do not use this model for any illegal, harmful, or malicious purposes.

By using this model, you agree to comply with all applicable laws and ethical guidelines. We are not responsible for any misuse, and we strongly condemn unethical applications of this technology.

Authors Johan Schalkwyk, Ankit Kumar, Dan Lyth, Sefik Emre Eskimez, Zack Hodari, Cinjon Resnick, Ramon Sanabria, Raven Jiang, and the Sesame team.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
01e2ed6

0 моделей