/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Fun-CosyVoice3-0.5B-2512
Библиотека
cosyvoice
Опубликована
21 сен 2026

dhee-pravega-tts

Синтез речиТекст → аудио3 профессии

Pravega-TTS v5 — дообученная многоязычная модель CosyVoice 3 для синтеза речи и клонирования голоса, ориентированная прежде всего на индийские языки.

154скачиваний за 30 дней1лайквеса обновлены22 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

Pravega-TTS v5 — модель синтеза речи на базе CosyVoice 3, дообученная разработчиком dheeyantra для индийских языков и индийского английского. Она преобразует текст в речь и поддерживает клонирование голоса по короткому аудиообразцу и его точной расшифровке: фиксированный идентификатор диктора не требуется. Выходное аудио — моно, 24 кГц. В репозитории используются форматы ONNX и Safetensors; библиотека — CosyVoice.

Модель рассчитана на синтез речи на 11 индийских языках и индийском английском, а также на арабском и европейских языках, сохранённых от базовой модели. Дообучены языковая модель преобразования текста в токены и flow-matching-декодер; вокодер, речевой токенизатор, энкодер говорящего и текстовый энкодер оставлены от базы. Для клонирования нужен чистый монофонический клип длиной 4–12 секунд с точной текстовой расшифровкой.

Опубликованные оценки CER показывают улучшение для проверенных индийских языков и сохранение качества на нескольких европейских языках, однако тесты включают лишь 1–4 клипа на язык. Автоматическая оценка ограничена возможностями Whisper, особенно для некоторых индийских языков; естественность речи, сходство голоса и длинные либо смешанные по языкам фрагменты формально не оценивались. Модель не валидирована для критически важных сценариев. Лицензия репозитория указана как other; лицензия Apache-2.0 относится к базовой модели, а не подтверждает условия использования Pravega-TTS.

Сценарии применения

  • синтез речи на индийских языках
  • озвучивание текста на индийском английском
  • клонирование голоса по короткому аудиообразцу и расшифровке
  • синтез речи на арабском и европейских языках
  • создание монофонической речи с частотой 24 кГц

Ограничения

Оценки CER основаны на малой выборке, а автоматическая транскрибация Whisper ограничивает надёжность оценок для ряда индийских языков; естественность, сходство голоса и длинная или смешанная по языкам речь формально не проверялись. Модель не валидирована для регулируемых, критически важных или высокорисковых применений.

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

Pravega-TTS v5

CosyVoice 3 fine-tuned to speak 11 Indian languages and Indian English, with Arabic added, while successfully retaining the European languages present in the base model.

It is zero-shot: a voice is defined by a short reference clip plus that clip's exact transcript rather than a fixed speaker ID. Output is 24 kHz mono.

baseFunAudioLLM/Fun-CosyVoice3-0.5B-2512 (Apache-2.0)
fine-tunedthe text-to-token LM (llm.pt) and the flow-matching decoder (flow.pt)
unchanged from basevocoder, speech tokenizer, speaker encoder, text encoder
languagesas, bn, en, gu, hi, kn, ml, mr, or, pa, ta, te, ar · de, es, fr, ru carried from the base
output24 kHz mono
licenceDhee Research-Only Licence v1.0 — research use only, not for commercial use

Benchmarks

Round-trip character error rate (CER): synthesise a sentence, transcribe the audio with openai/whisper-large-v3, and compare to the input text. Lower is better. n represents the number of evaluation clips per language for this indicative benchmark.

Target Languages (Fine-tune)

languageCER, this modelCER, stock CosyVoice 3n
Tamil0.0310.6321
Kannada0.1140.7122
Gujarati0.1260.9661
Hindi0.143no baseline4
Marathi0.202no baseline4
Bengali0.3730.8824
Punjabi0.4611.2922
Malayalam0.7830.8791
Assamese0.7861.2161
Telugu1.035no baseline4
Odianot scorablenot scorable—
Arabic0.1342.9183

Mean over the 7 Indic languages with a baseline: 0.940 → 0.382.

Retained Languages (Base model regression check)

languageCER, this modelCER, stock CosyVoice 3n
Spanish0.0000.0364
French0.0110.0154
English0.0490.0644
Russian0.0610.0314
German0.0700.0043

Mean CER for retained languages: 0.030 → 0.038. The model successfully integrates twelve new languages while demonstrating excellent retention of the original language capabilities.

Evaluation Notes

  • Arabic Evaluation: Because the base model did not support Arabic (CER 2.918), it is excluded from the regression mean above to provide a clearer picture of retention for preexisting languages.
  • Transcriber Limitations: Whisper large-v3 has known limitations in transcribing Telugu, Malayalam, and Assamese. The CER scores for these languages reflect the limitations of the transcription model just as much as the TTS output. Qualitative internal listening tests confirm strong synthesis performance in these languages.
  • Odia: Whisper currently lacks support for Odia, making automated CER scoring unavailable for this language.
  • Sample Size: This benchmark relies on a small sample size (1–4 clips per language) and is intended to be indicative rather than exhaustive.

Usage

git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git
cd CosyVoice && pip install -r requirements.txt
export PYTHONPATH=$PWD:$PWD/third_party/Matcha-TTS
import json
import torchaudio
from huggingface_hub import snapshot_download
from cosyvoice.cli.cosyvoice import CosyVoice3

model_dir = snapshot_download("dheeyantra/dhee-pravega-tts")
tts = CosyVoice3(model_dir, load_trt=False, fp16=False)

# A voice IS a reference clip plus the clip's exact transcript.
# The first entry in voice_bank.jsonl is the Assamese female voice.
voice = json.loads(open(f"{model_dir}/voice_bank/voice_bank.jsonl").readline())

# The model was fine-tuned behind this prefix, and the runtime requires the
# <|endofprompt|> marker. Keep it, then append the clip's transcript verbatim.
prompt_text = "You are a helpful assistant.<|endofprompt|>" + voice["transcript"]

for i, out in enumerate(tts.inference_zero_shot(
        "নমস্কাৰ, আজি আপোনাৰ দিনটো কেনে গৈছে?",        # what to say
        prompt_text,                                    # prefix + clip transcript
        f"{model_dir}/voice_bank/{voice['clip']}",      # the clip itself
        stream=False)):
    torchaudio.save(f"out_{i}.wav", out["tts_speech"], tts.sample_rate)  # 24 kHz

To use your own voice, pass a clean 4–12 s mono clip and its exact transcript in place of the two voice[...] fields. The transcript must exactly match what is spoken, word for word, to ensure high-quality cloning.

Included Voices

Six reference clips are provided with this repository:

voicelanguagegender
as_female, as_maleAssamesefemale, male
or_female, or_maleOdiafemale, male
pa_female, pa_malePunjabifemale, male

For other supported languages, simply supply your own consented reference clip. Pravega-TTS is a zero-shot model and easily adapts to new voices.

Limitations

  • Automated CER evaluation is inherently bounded by the capabilities of the transcription model used (e.g., Whisper's limitations on specific Indic languages).
  • Current evaluation covers intelligibility on a small sample size; it does not yet include naturalness MOS, formal speaker-similarity scoring, or long-form/code-mixed testing.
  • The vocoder remains the untouched base HiFTNet, outputting audio in 24 kHz mono.
  • Not validated for regulated, safety-critical, or high-stakes use cases.

Licence and Consent

Released under the Dhee Research-Only Licence v1.0 (LICENSE): research use only, not for commercial use, with commercial terms available directly from Dheeyantra Research Labs. The base CosyVoice 3 components redistributed here remain Apache-2.0 (NOTICE).

Part of the Indic training data derives from the IIT-Madras Indic TTS database, which operates under non-commercial terms.

Only clone voices you have explicit consent to use. Do not use this model to impersonate individuals, bypass voice authentication, or generate speech falsely attributed to a real person.

Citation

@misc{pravega-tts-2026,
  title  = {Pravega-TTS: CosyVoice 3 adapted to Indian languages},
  author = {Dheeyantra Research Labs},
  year   = {2026},
  url    = {https://huggingface.co/dheeyantra/dhee-pravega-tts}
}

Contact: contact@dheeyantra.com

Как запустить

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

GPU в ailist

Универсальный рантайм · cosyvoice

Нельзя запустить

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

Ревизия весов
cd463a8

0 моделей