/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Своя лицензия
Архитектура
higgs_multimodal_qwen3 · dense
Базовая модель
higgs-tts-3-4b-egyptian-v3
Библиотека
transformers
Опубликована
10 авг 2026

masri-higgs-v3-egyptian-tts

Синтез речиТекст → аудио3 профессии

Модель синтезирует речь на египетском арабском по тексту и аудиообразцу целевого голоса.

42скачиваний за 30 дней1лайквеса обновлены10 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

Masri Higgs v3 — Egyptian Arabic TTS — это 4-миллиардная модель синтеза речи на базе Higgs Multimodal Qwen3, разработанная ehabnegm. Она дообучена на 98 часах очищенной египетской арабской речи; применённый LoRA-адаптер объединён с весами, поэтому отдельно загружать его не требуется. Для синтеза модель использует текст и аудиообразец голоса продолжительностью 6–10 секунд, а выдаёт речь с голосом, заданным этим образцом.

Модель предназначена прежде всего для озвучивания текстов на египетском арабском, в том числе повествовательных материалов о науке и истории. По оценке на 40 тестовых аудиофрагментах, показатель WER улучшился на 12% относительно базовой модели, тогда как средний CER практически не изменился. Проверка на 15 предложениях вне обучающей выборки показала устойчивую работу на длинных абзацах и интонационных конструкциях, но объём оценки ограничен.

Обучающие тексты получены консенсусом трёх систем распознавания речи, поэтому модель могла усвоить остаточные ошибки. Это модель с одним основным диктором и узкой тематикой; сходство голоса отдельно не оценивалось, а клонирование других голосов после дообучения повторно не тестировалось. В README указано, что действуют ограничения лицензии Higgs Audio v3; метаданные обозначают лицензию как other. Голос основан на материалах реального человека: для публикации, коммерческого использования или имитации требуется его согласие, а синтетическую речь следует обозначать.

Сценарии применения

  • озвучивание египетско-арабских научно-популярных текстов
  • синтез египетской арабской речи по тексту
  • создание повествовательной озвучки с заданным голосом
  • озвучивание длинных текстов на египетском арабском

Ограничения

Оценка ограничена небольшим тестовым набором; сходство синтезированного голоса отдельно не измерялось, а обучение использовало машинные транскрипции, в которых могли остаться систематические ошибки. Для использования голоса реального человека требуется его согласие и раскрытие факта синтеза; действуют ограничения лицензии Higgs Audio v3.

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

Masri Higgs v3 — Egyptian Arabic TTS (production, merged)

Drop-in 4 B TTS model for Egyptian Arabic. This is ehabnegm/higgs-tts-3-4b-egyptian-v3 with a LoRA adapter merged in, fine-tuned on 98 hours of denoised, consensus-verified Egyptian speech. No adapter loading required — it works with the existing serving stack unchanged.

Why this checkpoint

Trained for 3 epochs; step 600 was selected, not the final step. Validation loss kept falling through step 1134, but ASR round-trip word error rate started rising after step 600 — the signature of mild overfitting to the training distribution. We shipped the checkpoint that generalizes best, not the one with the prettiest loss curve.

CheckpointVal lossCER meanCER medianWER mean
base (higgs-tts-3-4b-egyptian-v3)4.21680.03000.01770.1146
step 600 — this model4.09950.03010.01450.1012
step 1134 (final)4.08750.03310.01980.1219

Measured on 40 held-out clips, video-disjoint from training. CER/WER come from transcribing the generated audio back with oddadmix/whisper-large-v3-turbo-arabic-dialectal-v2 and comparing to the input text. WER improved 12% relative to base; CER mean is unchanged.

Quickstart

pip install torch transformers safetensors soundfile
import sys, torch, soundfile as sf, numpy as np
sys.path.insert(0, "serving")
from transformers import AutoTokenizer, AutoModel
from higgs_v3_model import HiggsV3ForTTS

tok   = AutoTokenizer.from_pretrained(".")
model, _ = HiggsV3ForTTS.from_checkpoint(".", dtype=torch.bfloat16); model.cuda().eval()
codec = AutoModel.from_pretrained("bosonai/higgs-audio-v2-tokenizer",
                                  trust_remote_code=True).eval().cuda()

Generation (reference-conditioned, 25 Hz frames, 8 codebooks with delay pattern) is implemented in serving/serve_openai.py — gen_raw() and synth_pcm().

OpenAI-compatible server

pip install -r serving/requirements.txt
MODEL_DIR=. REFS_DIR=./refs uvicorn serving.serve_openai:app --host 0.0.0.0 --port 8000
curl -X POST localhost:8000/v1/audio/speech \
  -H 'content-type: application/json' \
  -d '{"input":"إزيك يا صاحبي؟ عامل إيه النهاردة؟","voice":"masri"}' --output out.wav

You must supply a voice reference in refs/*.pt — a dict with codes [T, 8] and text_ids. Any 6–10 s clip of the target speaker works.

Control tags

Inherited from Higgs v3 — see PROMPTING.md:

<|emotion:elation|>أهلا بيكم، مبسوطين جدا إنكم معانا النهاردة!
كلام أول <|prosody:pause|> وبعدين كلام تاني
<|sfx:laughter|>هاها، تمام كده

Training

Baseehabnegm/higgs-tts-3-4b-egyptian-v3 (4.043 B)
Dataehabnegm/masri-100h-egyptian-tts-enhanced — 98.2 h, 24,445 clips
MethodLoRA r=64, α=128, dropout 0.05 on q,k,v,o,gate,up,down
Trainable132.1 M / 4.176 B (3.16%)
Schedule3 epochs, 1,134 steps, batch 32 × grad-accum 2, OneCycle LR 1e-4
Precisionbf16 + gradient checkpointing
Hardware1× A100-SXM4-80 GB, ~4 h
Audio codecbosonai/higgs-audio-v2-tokenizer, 25 Hz, 8 codebooks

Full training and evaluation scripts: ehabnegm/masri-higgs-v3-egyptian-lora

Out-of-domain behaviour

Tested on 15 sentences that appear nowhere in the training data:

CategoryMean CERNote
Long paragraphs (~22 s)0.013no drift or collapse — the key production risk, and it's clean
Difficult letters (ض ظ ذ ث ق غ)0.058solid
Prosody (questions, exclamations)0.026solid
Numbers0.571⚠ scoring artifact — model says «تمانية وأربعين», reference says «48»
Code-switch (AR↔EN)0.558⚠ scoring artifact — Arabic ASR transliterates English

The numbers and code-switch scores are measurement artifacts, not failures. Judge those by ear.

Limitations

  • Single narrator, single domain. Popular-science / history narration. Zero-shot cloning of other voices still works (inherited from Higgs v3) but has not been re-benchmarked after fine-tuning.
  • Transcripts were machine-generated. The training text came from a 3-way ASR consensus, not human transcription. Residual systematic errors can be learned.
  • CER did not improve, only WER. Gains are at the word level, not the character level.
  • Not evaluated for speaker similarity. We measured intelligibility, not voice likeness — the metric that matters most for voice products was not quantified.
  • Inherits all Higgs Audio v3 licence restrictions.

Ethics

The voice derives from publicly available YouTube content by a real, identifiable person. Do not publish, commercialize, or impersonate without the speaker's consent. Disclose synthetic audio.

Citation

@misc{negm_masri_higgs_v3_2026,
  title  = {Masri Higgs v3: Egyptian Arabic TTS fine-tuned on consensus-verified speech},
  author = {Negm, Ehab},
  year   = {2026},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/ehabnegm/masri-higgs-v3-egyptian-tts}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура higgs_multimodal_qwen3 неизвестна transformers в образе рантайма.

Класс архитектуры
HiggsMultimodalQwen3ForConditionalGeneration
Ревизия весов
43a4d52

0 моделей