/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
2 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
omnivoice · dense
Базовая модель
OmniVoice
Библиотека
omnivoice
Опубликована
2 июл 2026

OmniVoice-fp16

Синтез речиТекст → аудио3 профессии

Многоязычная модель синтеза речи OmniVoice в формате FP16 для генерации аудио по тексту с клонированием и настройкой голоса.

48скачиваний за 30 дней2лайкавеса обновлены2 июл 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

OmniVoice FP16 — конвертированная в формат FP16 версия многоязычной модели OmniVoice для вывода на PyTorch, подготовленная Kawshik Kumar Paul. Модель преобразует текст в речь и поддерживает синтез с клонированием голоса и настройкой его характеристик.

Она предназначена для генерации речи по тексту, в том числе с заданным голосом или его характеристиками. Для работы используется библиотека omnivoice; README рекомендует GPU, поскольку вывод на CPU может быть медленным. Модель доступна под лицензией CC BY-NC 4.0, которая запрещает коммерческое использование.

Сценарии применения

  • синтез речи по тексту
  • клонирование голоса для озвучивания текста
  • настройка характеристик синтезируемого голоса

Ограничения

Вывод на CPU может быть медленным; README рекомендует GPU. Лицензия CC BY-NC 4.0 не допускает коммерческого использования.

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

OmniVoice FP16

This repository contains the FP16 converted OmniVoice model for PyTorch inference.

Converter / inference repository:
https://github.com/kawshikbuet17/OmniVoice-Model-Converter

Requirements

Install these packages in your Python environment:

omnivoice
torch
soundfile
numpy

Basic Python Inference

Prepare two local files before running:

ref_audio.wav
ref_text.txt
from pathlib import Path

import numpy as np
import soundfile as sf
import torch
from omnivoice import OmniVoice

repo_id = "kawshikbuet17/OmniVoice-fp16"

text = "আমি কৌশিকের কনভার্ট করা মডেল ব্যবহার করে এই অডিওটি তৈরি করছি।"
ref_audio = "./ref_audio.wav"
ref_text = Path("./ref_text.txt").read_text(encoding="utf-8").strip()
out_wav = "./omnivoice_fp16_output.wav"

model = OmniVoice.from_pretrained(
    repo_id,
    device_map="cuda:0",
    dtype=torch.float16,
)

model.eval() if hasattr(model, "eval") else None

with torch.inference_mode():
    output = model.generate(
        text=text,
        language="Bengali",
        ref_audio=ref_audio,
        ref_text=ref_text,
        num_step=32,
        guidance_scale=2.0,
        speed=1.0,
        t_shift=0.1,
        denoise=True,
        postprocess_output=True,
        layer_penalty_factor=5.0,
        position_temperature=5.0,
        class_temperature=0.0,
        audio_chunk_duration=15.0,
        audio_chunk_threshold=30.0,
    )

if isinstance(output, dict):
    for key in ["audio", "audios", "wav", "wavs", "waveform", "samples"]:
        if key in output:
            output = output[key]
            break

if isinstance(output, (tuple, list)):
    output = output[0]

if isinstance(output, torch.Tensor):
    audio = output.detach().float().cpu().numpy()
else:
    audio = np.asarray(output, dtype=np.float32)

while audio.ndim > 1 and audio.shape[0] == 1:
    audio = audio[0]

if audio.ndim == 2 and audio.shape[0] <= 8 and audio.shape[1] > audio.shape[0]:
    audio = audio.T

audio = np.clip(audio, -1.0, 1.0)
sample_rate = getattr(model, "sampling_rate", None) or getattr(model, "sample_rate", None) or 24000

sf.write(out_wav, audio, sample_rate)
print(f"Saved: {out_wav}")

Notes

  • Use device_map="cuda:0" or device_map="cuda:1" based on your GPU.
  • Use device_map="cpu" only if GPU is not available. CPU inference can be slow.

Prepared By

Kawshik Kumar Paul
Software Engineer | Researcher
Department of Computer Science and Engineering (CSE)
Bangladesh University of Engineering and Technology (BUET)
Email: kawshikbuet17@gmail.com

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
4089b71

0 моделей