/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
dots_tts · dense
Библиотека
dots_tts
Опубликована
3 июн 2026

dots.tts-base

Синтез речиТекст → аудио3 профессии

Базовая авторегрессионная модель dots.tts с 2 млрд параметров синтезирует речь из текста и поддерживает клонирование голоса.

500скачиваний за 30 дней53лайкавеса обновлены11 авг 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

dots.tts-base — базовая предварительно обученная модель синтеза речи от разработчиков проекта dots.tts. Это сквозная авторегрессионная система с 2 млрд параметров: семантический энкодер передаёт текст в LLM, а акустическая голова на основе flow matching генерирует аудио через непрерывное латентное представление AudioVAE с частотой 48 кГц. Дискретные аудиокодеки в конвейере не используются; LLM основана на Qwen2.5-1.5B-Base и принимает текст в BPE-токенах без фонемной транскрипции.

Модель обучена на примерно 1,5 млн часов речи и предназначена для преобразования текста в речь, включая клонирование голоса по аудиореференсу. Контрольный чекпойнт предлагается как отправная точка для дообучения. По README, качество на малоресурсных и недостаточно представленных языках ниже, в частности для арабского, хинди, турецкого и вьетнамского; обучение на речевых данных не охватывает пение и совместную генерацию речи со звуками. Лицензия — Apache-2.0.

Сценарии применения

  • синтез естественной речи из текста
  • создание озвучки с заданным голосом
  • клонирование голоса по аудиореференсу
  • дообучение модели синтеза речи под собственный набор данных

Ограничения

Качество распознавания текста в речи ниже для малоресурсных и недостаточно представленных языков, включая арабский, хинди, турецкий и вьетнамский. Модель не предназначена для пения или совместной генерации речи и звуков; высокоточное клонирование голоса несёт риск злоупотреблений.

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

dots.tts-base

dots.tts is a 2B-parameter fully continuous, end-to-end autoregressive (AR) text-to-speech system. The backbone pairs a semantic encoder, an LLM, and an autoregressive flow-matching acoustic head over a 48 kHz AudioVAE — no discrete codec tokens anywhere in the pipeline.

This repository hosts dots.tts-base, the end-to-end pretrained checkpoint trained on ~1.5M hours of speech. It is the foundation for the two post-trained variants and the recommended starting point for fine-tuning.


Quick Start

Installation

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

python -m pip install --upgrade pip
python -m pip install "git+https://github.com/studio-dots-ai/dots.tts.git" \
  -c "https://raw.githubusercontent.com/studio-dots-ai/dots.tts/main/constraints/recommended.txt"

CLI

# Continuation voice cloning (reference audio + transcript) — recommended
dots.tts \
  --model-name-or-path dots-studio/dots.tts-base \
  --text "Hello, this is a zero-shot voice cloning demonstration." \
  --prompt-audio /path/to/reference.wav \
  --prompt-text "The exact transcript of the reference audio." \
  --output clone.wav

Python API

from dots_tts.runtime import DotsTtsRuntime
import soundfile as sf

runtime = DotsTtsRuntime.from_pretrained(
    "dots-studio/dots.tts-base",
    precision="bfloat16",
)

result = runtime.generate(
    text="Hello, this is a quick speech synthesis test.",
    prompt_audio_path="/path/to/reference.wav",
    prompt_text="The exact transcript of the reference audio.",
    num_steps=10,
    guidance_scale=1.2,
)

sf.write("output.wav", result["audio"].float().cpu().squeeze().numpy(), result["sample_rate"])

Recommended sampling settings

FlagRecommendedNotes
--num-steps10–32Flow-matching sampling steps; higher = better quality, slower
--guidance-scale1.2 (default)Standard CFG; raise modestly for stronger text/timbre adherence

Fine-tuning

dots.tts-base is the recommended starting point for fine-tuning. See the training script and smoke config in the source repository:

accelerate launch scripts/train_dots_tts.py --config configs/dots_tts.yaml

Architecture

A frozen AudioVAE encodes 48 kHz mono waveform into a continuous latent and decodes it back via a BigVGAN-style causal decoder. An autoregressive backbone predicts that latent one patch at a time:

  • Semantic encoder — re-encodes each newly generated VAE patch into a compact embedding for the LLM, stripping high-variance acoustic detail.
  • LLM — initialized from Qwen2.5-1.5B-Base, consumes BPE text directly (no phonemes), emits one hidden state per audio step.
  • AR flow-matching head — a DiT that conditions on the LLM hidden state and the AR prefix to denoise the next VAE patch, with a frozen CAM++ speaker x-vector as side input.

Performance — dots.tts-base

Seed-TTS-Eval (zero-shot, ~3 s reference)

ModelParamstest-en WER↓ / SIM↑test-zh WER↓ / SIM↑test-zh-hard WER↓ / SIM↑Avg WER↓ / SIM↑
Seed-TTS—2.25 / 76.21.12 / 79.67.59 / 77.63.65 / 77.8
Qwen3-TTS1.7B1.23 / 71.71.22 / 77.06.76 / 74.83.07 / 74.5
VoxCPM 22B1.84 / 75.30.97 / 79.58.13 / 75.33.65 / 76.7
dots.tts-base2B1.34 / 76.80.96 / 80.56.46 / 79.22.92 / 78.8

MiniMax Multilingual (24 languages, average)

ModelAvg WER↓Avg SIM↑
MiniMax2.876.6
Fish-Audio S23.778.0
VoxCPM 25.782.3
dots.tts-base6.683.5

See the project README for the full per-language breakdown, CV3-Eval and EmergentTTS-Eval results.


Risks and Limitations

  • Misuse risk. High-fidelity zero-shot voice cloning can produce highly realistic synthetic speech. This checkpoint is intended for research and authorized deployment. Do not use it for impersonation, fraud, or disinformation. Combine downstream use with consent-aware reference-audio policies, robust synthetic-speech detection, and content watermarking. Clearly mark AI-generated audio.
  • Low-resource WER gap. A BPE backbone inherits the text LLM's language coverage at the cost of a higher data appetite. On script-divergent and under-represented languages (Arabic, Hindi, Turkish, Vietnamese) WER is higher than on high-resource languages; speaker similarity is preserved.
  • Speech-heavy training. The backbone is trained on a speech-heavy mixture. Singing and unified speech + sound generation are not covered.

Citation

@article{dotstts2026,
  title   = {dots.tts Technical Report},
  author  = {dots.tts Team},
  journal = {arXiv preprint},
  year    = {2026},
}

License

Released under Apache-2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · dots_tts

Нельзя запустить

Архитектура dots_tts неизвестна transformers в образе рантайма.

Класс архитектуры
DotsTTSForConditionalGeneration
Ревизия весов
b5aac65

0 моделей