/ Модель

Характеристики

Лицензия
GPL 3.0
Базовая модель
voxtream2
Библиотека
voxtream2-he
Опубликована
11 июн 2026

voxtream2-he

Синтез речиТекст → аудио3 профессии

Потоковая модель синтеза ивритской и смешанной ивритско-английской речи с клонированием голоса по короткому аудиопримеру.

227скачиваний за 30 дней2лайкавеса 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

VoXtream2-HE — разработанная Flowty1 потоковая модель синтеза речи, дообученная на базе herimor/voxtream2 для иврита и смешанного ивритско-английского текста. Для синтеза она использует фонемы, а аудио выдаёт монофоническими кадрами с частотой 24 кГц.

Модель предназначена для потоковой генерации речи с клонированием голоса по короткому аудиопримеру длительностью 3–10 секунд без отдельного обучения под голос. Она подходит для голосовых агентов, интерактивных помощников и дубляжа; темп речи можно менять, в том числе во время фразы. Заявлены выдача первого аудиокадра за десятки миллисекунд и генерация быстрее реального времени на потребительском GPU.

Небольшой размер модели может приводить к нестабильности результатов. Для работы нужны кодовая библиотека из отдельного репозитория, ивритский модуль преобразования текста в фонемы и espeak-ng для английского. Лицензия весов — GPL-3.0; README допускает коммерческое применение, но не рекомендует его.

Сценарии применения

  • потоковый синтез речи на иврите
  • синтез смешанной ивритско-английской речи
  • клонирование голоса по короткой аудиозаписи
  • генерация речи для голосового агента в реальном времени
  • озвучивание дубляжа с управлением темпом речи

Ограничения

Из-за небольшого размера модели результаты могут быть нестабильными; для работы требуются отдельная библиотека инференса и зависимости для преобразования текста в фонемы. README разрешает коммерческое использование, но не рекомендует его.

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

voxtream2-he

Streaming Hebrew text-to-speech. A Hebrew (and mixed Hebrew/English) finetune of herimor/voxtream2, packaged as a clean, installable Python inference library.

This repository hosts the model weights. The code that loads them lives in the GitHub repo above; weights are fetched automatically the first time you construct SpeechGenerator().

Because the model is small and fully streaming, outputs are not always stable. Commercial use is allowed but not recommended.

What it does

Voxtream2 is a zero-shot, full-stream text-to-speech model: you give it a few seconds of any voice plus some text, and it speaks that text in that voice — no per-voice training needed.

  • Built for streaming. It produces audio in small chunks (one ~80 ms frame at a time) while it reads the text. The first chunk comes back in tens of milliseconds, so it suits live, interactive, real-time use (voice agents, dubbing, assistants).
  • Faster than real-time. On a consumer GPU it generates audio several times faster than it takes to play.
  • Voice cloning from a short sample. Point it at a 3–10 second clip of a target voice and it mimics that speaker — accent, tone, and timbre — without any fine-tuning.
  • Adjustable speaking rate. You can ask for faster or slower speech, even mid-sentence.

This is the Hebrew finetune. It speaks Hebrew (with English mixed in) and keeps all of the streaming behavior above. The generator consumes phonemes (a Hebrew G2P front-end with espeak-ng as the English fallback) and emits 24 kHz mono audio frames.

Usage

Install the library (see the GitHub repo for full instructions, including the espeak-ng system dependency):

uv pip install "git+https://github.com/flowtyone/voxtream2-he.git"

Weights download from this repo automatically on first use:

import numpy as np
import soundfile as sf
from voxtream2_he import SpeechGenerator

gen = SpeechGenerator()                          # weights auto-download from this repo
phonemizer = gen.make_phonemizer()

prompt = gen.prepare_prompt_from_path("voices/shaul.wav")
phonemes = phonemizer.phonemize("שלום, מה שלומך היום?", language="he")

frames = [
    frame
    for frame, _ in gen.generate_stream(
        text=phonemes,
        prepared_prompt=prompt,
        language="he",
        normalize_text=False,
        input_is_phonemes=True,
    )
]
sf.write("out.wav", np.concatenate(frames), gen.config.mimi_sr)  # 24 kHz mono

Pre-download ahead of time (e.g. to bake into an image or warm the cache):

hf download flowty1/voxtream2-he

Files in this repo

FileWhat it is
model.safetensorsFull model weights (phone/temp/dep formers + heads)
config.jsonModel architecture configuration
phoneme_to_token.jsonPhoneme → token vocabulary used by the generator
renikud/model.onnxHebrew grapheme-to-phoneme (G2P) front-end (ReNikud, ONNX)

The Mimi codec (kyutai/moshiko-pytorch-bf16), the ReDimNet speaker encoder (IDRnD/ReDimNet, via torch.hub), and the optional Sidon prompt enhancer (sarulab-speech/sidon-v0.1) are pulled from their own upstream repos, not from here.

Acknowledgements

License

GPL-3.0. Bundled third-party components (Moshi/Mimi, ReDimNet, Sidon) retain their respective upstream licenses.

Как запустить

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

GPU в ailist

Универсальный рантайм · voxtream2-he

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
f3f30e3

0 моделей