/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
omnivoice · dense
Базовая модель
lahgtna-omnivoice-v2
Библиотека
omnivoice
Опубликована
12 июн 2026

lahgtna-omnivoice-egyptian-v3

Синтез речиТекст → аудио3 профессии

Дообученная модель OmniVoice синтезирует египетскую разговорную арабскую речь из текста и поддерживает несколько голосов и клонирование голоса.

72скачиваний за 30 дней0лайковвеса обновлены12 июн 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

Lahgtna-OmniVoice Egyptian v3 — модель OmniVoice, дообученная ehabnegm на египетской разговорной арабской речи. Она преобразует текст без диакритических знаков в речь, поддерживает два обученных голоса и клонирование голоса по аудиореференсу. Модель рассчитана на многоголосые продукты, длинные реплики и потоковую генерацию; в README отмечены улучшенная разборчивость чисел и меньшая задержка по сравнению с v2. В тесте на 321 слово модель сохраняла связность текста лучше предыдущих версий семейства.

Для синтеза следует подавать египетский арабский текст без огласовок и указывать язык как arz. Числа рекомендуется записывать словами, а английские фрагменты — удалять или транслитерировать: переключение на английский не обучалось. Для клонирования требуется аудиореференс и его текстовая расшифровка. Модель распространяется по лицензии Apache-2.0; README также просит получить разрешение на коммерческое использование голосов, созданных на основе публичных YouTube-материалов, и не применять их для имитации или введения в заблуждение.

Сценарии применения

  • озвучивание египетских арабских реплик в голосовом интерфейсе
  • генерация длинных ответов виртуального агента на египетском диалекте
  • синтез речи несколькими обученными голосами
  • клонирование голоса по короткому аудиореференсу
  • озвучивание чисел, записанных словами, в разговорном египетском арабском

Ограничения

Английские фрагменты не обучались и могут синтезироваться ненадёжно; README рекомендует удалять или транслитерировать их, а числа записывать словами. Для коммерческого использования голосов из публичных YouTube-материалов следует получить разрешение; модель не следует использовать для имитации людей или введения в заблуждение.

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

Lahgtna-OmniVoice Egyptian — v3 (multi-voice, non-diacritized)

Multi-voice Egyptian-Arabic (arz) TTS. v3 continues from v2 on raw, non-diacritized text to fix pronunciation problems caused by MSA diacritics on Egyptian colloquial. It speaks two trained voices (Eqkawkab + Noselleel) and clones any reference voice zero-shot. Recommended model for a multi-voice product — best multi-voice intelligibility, best on numbers, and lowest latency (no diacritizer at inference).

👪 Model family

repovoicestextnotes
baselahgtna-omnivoice-v2—diacritizedupstream
v1egyptian1diacritizedbest CER, single voice
v2egyptian-v22diacritizedmulti-voice
v3 ← you are hereegyptian-v32rawrecommended
🎛️ Compare GUISpace——4-model A/B
📚 Dataeqkawkab · noselleel——~34h

Usage — feed RAW Egyptian text (no diacritics)

import torch, soundfile as sf
from omnivoice.models.omnivoice import OmniVoice
m = OmniVoice.from_pretrained("ehabnegm/lahgtna-omnivoice-egyptian-v3", device_map="cuda", dtype=torch.float16)
audio = m.generate(text="أهلاً بحضرتك، معاك خدمة العملاء، ممكن أساعدك إزاي؟", language="arz",
                   ref_audio="voice.wav", ref_text="نص الكليب المرجعي")
sf.write("out.wav", audio[0], 24000)

Verbalize numbers (e.g. ٢٥ → خمسة وعشرين) and strip/transliterate English words before synthesis (v3 attempts untrained English otherwise).

▶️ Run on Colab

Free GPU, step-by-step: COLAB.md · runnable notebook: lahgtna_colab.ipynb (open it in Colab → Runtime → T4 GPU). Log in with a HF read token (repo is private).

Training

Combined ~34 h, 10,828 clips (Eqkawkab ~8h + Noselleel ~26h), raw + orthography-normalized text. Continued from v2 checkpoint-8000, 5,000 steps, SDPA, bf16, 1× L4.

Benchmark (ASR round-trip CER, 13 pure-Arabic sentences — lower = clearer)

modelCER ↓
v10.056single-voice
v30.063best multi-voice
v20.102multi-voice, diac
base0.109
v3 beats v2 by ~38% on pure-Arabic — removing the wrong diacritics worked. Full benchmark +
audio: v2 repo /benchmark.

321-word long-form stress test

A full Egyptian-Arabic article (~321 words, ~2:50) synthesized by each model, then transcribed back with Whisper large-v3 (ASR round-trip CER — lower = stays on-text).

modelaudioRTFCER ↓
v3173 s0.250.21 — stays coherent ✅
base170 s0.350.69 — drifts ⚠️
v1170 s0.350.71 — drifts ⚠️
v2170 s0.430.71 — drifts ⚠️

Finding: on paragraph-length input the diacritized models (base/v1/v2) lose coherence and babble; v3 (non-diacritized) is the only version that stays on-text — decisive for long-form and agent replies. Listen: base.wav, v1.wav, v2.wav, v3.wav.

Audio: long300/.

Limitations & responsible use

Code-switched English is not trained (strip/transliterate it). Audio derived from public YouTube channels (@Eqkawkab, @noselleel) — credit the creators, get permission before commercial use, and don't use the voices to impersonate or mislead.

Latency — time-to-first-chunk (streaming, raw text)

Dropping the diacritizer makes v3 ~250 ms faster than v2 at every setting:

num_stepTTFC
321.82 s
160.96 s
8 (recommended)0.54 s
4 (fastest)0.32 s

Как запустить

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

GPU в ailist

Универсальный рантайм · omnivoice

Нельзя запустить

Архитектура omnivoice неизвестна transformers в образе рантайма.

Класс архитектуры
OmniVoice
Ревизия весов
e859e1f

0 моделей