/ Модель

Характеристики

Лицензия
OpenRAIL
Библиотека
antalia
Опубликована
14 сен 2026

antalia-1-foundation

Синтез речиТекст → аудио

Базовая турецкая модель синтеза речи с нефиксированным голосом, предназначенная главным образом для дообучения под согласованный голос.

112скачиваний за 30 дней2лайкавеса обновлены15 сен 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

Antalia 1 Foundation — это базовая акустическая модель турецкого синтеза речи, разработанная автором репозитория cloud0day3 и обученная с нуля на общедоступных данных. Модель speaker-agnostic: она не принимает идентификатор или аудиообразец голоса, а генерирует речь с нефиксированным усреднённым тембром, который меняется в зависимости от случайного seed. Разработка прекращена; модель опубликована в текущем виде как основа для дообучения собственного голоса при наличии согласия на его использование.

Модель содержит около 300 млн параметров и представляет собой character-conditioned rectified-flow Transformer. Она преобразует турецкий текст в 24 кГц 100-полосные log-mel спектрограммы; для получения аудио загрузчик использует вокодер nvidia/bigvgan_v2_24khz_100band_256x. Архитектура включает 16 Transformer-блоков, кодировщик символов и голову оценки длительности. Обучение проводилось на турецких данных Common Voice и FLEURS. Лицензия — OpenRAIL-M.

Модель предназначена прежде всего для экспериментов и как исходная точка для дообучения турецкого голоса, а не для самостоятельного использования в качестве продуктового голоса. В README приведены результаты оценки разборчивости, заметно уступающие дообученной Antalia 1. Качество хуже на длинных текстах, числах, иностранных именах и аббревиатурах; длинный текст рекомендуется делить на фразы.

Сценарии применения

  • эксперименты с синтезом турецкой речи
  • дообучение модели на согласованной записи нового голоса
  • генерация турецкой речи из нормализованного текста
  • оценка разборчивости базовой акустической модели

Ограничения

Голос не обусловлен и меняется между случайными seed; модель не подходит как готовый продуктовый голос. Длинные входы, числа, иностранные имена и сокращения синтезируются с повышенным числом ошибок; для длинного текста рекомендуется разбиение на фразы.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Antalia 1 Foundation

The speaker-agnostic Turkish acoustic model behind Antalia 1, trained from scratch on public data only.

Fine-tuned voice Listen Code Paper Corpus License

Türkçe: README.tr.md

Development is discontinued. Released as-is so that others can fine-tune their own consented Turkish voice with the code in https://github.com/0daycloud/antalia. Contact: sezgin@patientdesk.ai or GitHub issues.

At a glance

What it isThe base model of Antalia 1: a ~300M-parameter character-conditioned rectified-flow model over 24 kHz, 100-band log-mel spectrograms.
SpeakerNone. There is no speaker conditioning; the voice of any output is an unspecified average of Common Voice contributors and changes with the sampling seed.
Size299.6M parameters, fp32 safetensors, 1.20 GB.
Training dataCommon Voice 26.0 Turkish (CC0) and FLEURS Turkish (CC-BY-4.0), 61,469 filtered clips, 67.55 h. Nothing else.
IntelligibilityCER 0.1835 single seed on the 120-prompt turkish-v2 suite. An intelligibility baseline, not a product voice.
Use it forFine-tuning a new consented Turkish voice with the reference lineage below.
LicenseWeights: Antalia OpenRAIL-M (LICENSE.md), which requires credit to the authors in anything that uses or redistributes the model. Code: Apache-2.0.

Listen

Both clips are AI-generated with speaker id 0, the unconditioned path. Each is paired with the same sentence from the fine-tuned Antalia 1 so you can hear what the fine-tuning stages add. More on the sample site.

Quick start

git clone https://github.com/0daycloud/antalia
cd antalia
uv sync            # or: pip install -e .

# Vocoder: BigVGAN is not redistributed. Pinned commit + one-line hub patch.
git clone https://github.com/NVIDIA/BigVGAN /opt/bigvgan
git -C /opt/bigvgan checkout 7d2b454564a6c7d014227f635b7423881f14bdac
patch -d /opt/bigvgan -p4 < scripts/patches/bigvgan-huggingface-hub-1.patch
export PYTHONPATH=/opt/bigvgan

python scripts/synthesize-crossflow.py \
  --checkpoint cloud0day3/antalia-1-foundation \
  --vocoder nvidia/bigvgan_v2_24khz_100band_256x \
  --sway -0.8 --steps 32 --mel-clamp 5.0 \
  --text "Bugün hava çok güzel, dışarıda yürüyüş yapmak istiyorum." \
  --output foundation.wav

To fine-tune a new voice, follow the reference lineage in configs/crossflow/: foundation-speaker-v2.json → candidate-b-speaker-v1.json → cfg-foundation-v1.json → candidate-consistency-v1.json → candidate-b-timbre-adapter-v2.json. The voice corpus that lineage was run on is public: antalia-voice-corpus (5.008 h, CC-BY-4.0).

Training data

SourceClips usedLicense
Common Voice 26.0 Turkish (validated, filtered)59,593CC0-1.0
FLEURS Turkish1,876CC-BY-4.0

Total 61,469 clips / 67.55 h. Filtering: forced-Turkish Whisper-large-v3 transcript check (accepted median CER 0, p90 0.111), active-audio, level, clipping, and SNR gates, per-speaker caps, speaker-disjoint validation split. Rejections from 120,407 validated CV clips: 7,098 insufficient active audio, 1,449 transcript mismatch, 356 too short, 351 low level, 5 low SNR, 4 clipping. Filter manifests with clip ids and checksums ship in the code repository; the audio itself is not re-hosted.

Training

Clean initialization; 100,000 updates on one A100-80GB; AdamW, LR 1e-4 with 2,000 warmup updates decaying to 1e-5, weight decay 0.01, gradient clip 1.0, EMA 0.9999; 6,000 mel frames per batch (≤32 samples, ≤24 s per clip); duration-loss weight 0.1; per-band mel mean/std normalization measured on 256 training records (89,966 frames), clipped at ±5. Two earlier foundation runs without per-band normalization diverged and were abandoned.

Quality

On the 120-prompt turkish-v2 suite, single seed, 32 Euler steps, no guidance:

MetricFoundationAntalia 1 (single seed)
CER mean0.18350.0528
CER p900.40490.1348
WER mean0.39520.1297

This is an intelligibility baseline for a speaker-agnostic model with a sampled voice; it is not usable as a product voice on its own.

Files

FilePurpose
model.safetensorsEMA weights, fp32, 299,623,013 parameters. SHA-256 89ecf310a14333c6bd5a754360cee2207027dd23b2a0171984a32c423afcfcd1
config.jsonRelease format antalia-crossflow-release-v1: architecture, mel statistics, character vocabulary, vocoder pointer, provenance
LICENSE.mdAntalia OpenRAIL-M

Vocoder: nvidia/bigvgan_v2_24khz_100band_256x (MIT), downloaded by the loader.

Architecture

16 Transformer blocks (dim 768, 12 heads, SwiGLU FFN 3072) with self-attention over mel frames, cross-attention over characters, and zero-initialized adaLN modulation from the flow timestep; 4-block ConvNeXt-style character encoder; a scalar log-total-duration head. Deterministic Turkish text normalizer; grapheme input.

Limitations

  • Unconditioned voice identity is arbitrary and unstable across seeds.
  • Long inputs are under-budgeted by the duration head; use clause chunking.
  • Numbers, foreign names, and abbreviations have the highest error rates.
  • Turkish only. No memorization audit was run.

License and use

Weights: Antalia Open RAIL-M (see LICENSE.md): no impersonation, no undisclosed synthetic speech, no fraud or robocalls. Any distribution of the model or its derivatives, and any product, service or publication that uses them, must credit "Antalia 1" by Sezgin Saygili, Emre Kaplaner, Oncel Ozgul and Fikri San Koktas (Patientdesk.ai) with a link to this repository or the code repository. Code: Apache-2.0.

Citation

@misc{antalia1_2026,
  title  = {Antalia 1: An Open Turkish Text-to-Speech Model from a Rights-Clean Pipeline},
  author = {Saygili, Sezgin and Kaplaner, Emre and Ozgul, Oncel and Koktas, Fikri San},
  year   = {2026},
  note   = {Technical report},
  url    = {https://huggingface.co/cloud0day3/antalia-1-foundation}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · antalia

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
302c104

0 моделей