/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
553 млн
Лицензия
CC BY-NC 4.0
Архитектура
qwen2 · dense
Базовая модель
VieNeu-TTS
Библиотека
transformers
Опубликована
20 авг 2026

vieneu-tts-ngoc-huyen

Генерация текстаТекст → текст3 профессии

Односпикерная модель для синтеза вьетнамской речи голосом Ngọc Huyền на основе VieNeu-TTS.

81скачиваний за 30 дней1лайквеса обновлены20 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

VieNeu-TTS Ngọc Huyền — вьетнамская односпикерная модель синтеза речи, адаптированная huutamm1612 на базе pnnbao-ump/VieNeu-TTS. Это полная модель, а не отдельный LoRA-адаптер: обучение включало адаптацию LoRA, безопасное слияние и частичное дообучение. Архитектура — плотная Qwen2ForCausalLM, размер — 552,8 млн параметров; модель работает через Transformers и использует аудиокодек neuphonic/neucodec. Длина контекста составляет 32 768 токенов.

Модель предназначена для синтеза вьетнамской речи одним голосом Ngọc Huyền, в том числе озвучивания текста и повествовательных записей. Лучше всего она работает с нормализованным вьетнамским текстом, похожим на данные обучения. Иностранные слова, имена, аббревиатуры, выразительная речь и необычные символы могут произноситься неправильно; оценки MOS, WER и сходства голоса не проводились. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в некоммерческих целях. Разработчик также рекомендует применять синтез только с разрешения и не выдавать сгенерированную речь за подлинную запись.

Сценарии применения

  • озвучивание вьетнамских текстов одним голосом
  • создание вьетнамской повествовательной речи
  • синтез аудиоверсии вьетнамских материалов
  • генерация речи для проектов с голосом Ngọc Huyền

Ограничения

Лучше работает с нормализованным вьетнамским текстом, похожим на обучающие данные; иностранные слова, имена, аббревиатуры, выразительная речь и необычные символы могут произноситься неправильно. Оценки качества MOS, WER и сходства голоса не проводились.

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

VieNeu-TTS Ngọc Huyền

A full Vietnamese single-speaker TTS model adapted from pnnbao-ump/VieNeu-TTS.

The model was trained through three phases: LoRA adaptation, safe merge and partial fine-tuning. This repository contains the complete model, not a LoRA adapter.

Model information

Usage

Clone the training and inference repository:

git clone https://github.com/huutamm1612/vieneu-ngoc-huyen-tts.git
cd vieneu-ngoc-huyen-tts
python -m pip install -e ".[inference]"

Set HF_TOKEN through an environment variable or platform secret. The token must have access to the gated neuphonic/neucodec model.

from inference import InferenceConfig, TTSInference

config = InferenceConfig(
    model="huutamm1612/vieneu-tts-ngoc-huyen",
    devices="auto",
    num_gpus=1,
    max_runtime_batch_size=16,
    show_progress=True,
)

with TTSInference(config) as tts:
    result = tts.infer(
        input_path="input.txt",
        reference_audio="reference.wav",
        reference_text="Transcript phải khớp chính xác với reference audio.",
        output_path="output.wav",
    )

print(result.as_dict())

Recommended reference audio:

  • 3–7 seconds
  • Clean and continuous speech
  • Minimal background noise
  • Transcript matching the audio exactly

The pipeline automatically splits long Vietnamese text and combines all generated segments into one WAV file.

Limitations

The model works best with normalized Vietnamese narration similar to its training data. Foreign words, names, abbreviations, expressive speech and unusual symbols may be pronounced incorrectly.

MOS, WER and speaker-similarity evaluations have not yet been performed.

Responsible use

Use this model only for authorized voice synthesis. Do not use it for impersonation, fraud, deceptive content or presenting synthetic speech as an authentic recording.

License and credits

This model is distributed under CC BY-NC 4.0 as conservative metadata due to the training dataset.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
f9c96c8

0 моделей