/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
977 млн
Размер весов
6,6 ГБ
Лицензия
AGPL 3.0
Архитектура
csm · dense
Базовая модель
csm-1b
Библиотека
transformers
Опубликована
29 мая 2025

sesame-csm-elise

Синтез речиТекст → аудио3 профессии

Дообученная на наборе Elise модель CSM генерирует английскую речь по тексту голосом, адаптированным при обучении.

90скачиваний за 30 дней10лайковвеса обновлены1 июн 2025

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 «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест 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

keanteng/sesame-csm-elise — дообученная модель синтеза речи, созданная на основе sesame/csm-1b с использованием набора данных MrDragonFox/Elise. Она предназначена для генерации речи по тексту с голосом, обученным на этом наборе данных; в репозитории приведены примеры аудиовыходов. Модель использует архитектуру CSM с плотными весами и классом CsmForConditionalGeneration, содержит около 977,3 млн параметров и рассчитана на английский язык. Базовая модель поддерживает учёт аудиоконтекста; карточка описывает дообучение как клонирование голоса посредством условной генерации речи. Репозиторий использует формат safetensors и библиотеку Transformers.

Модель распространяется по лицензии AGPL-3.0. В README не приведены конкретные характеристики голоса Elise, поэтому тембр и сходство генерации оценить по описанию нельзя; также в карточке нет численных оценок качества.

Сценарии применения

  • синтез английской речи по тексту
  • генерация реплик голосом Elise
  • создание озвучки для коротких текстов
  • эксперименты с клонированием голоса на основе условной генерации речи

Ограничения

Карточка не описывает тембр голоса Elise и не приводит количественных оценок качества; назначение модели ориентировано на один голос и английскую речь.

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

CSM Elise Voice Model

This model is a fine-tuned version of sesame/csm-1b using the Elise dataset. There are sample outputs files in the repository.

Model Details

  • Base Model: sesame/csm-1b
  • Training Data: MrDragonFox/Elise dataset
  • Fine-tuning Approach: Voice cloning through conditional speech generation
  • Voice Characteristics: [Describe voice qualities]
  • Training Parameters:
    • Learning Rate: 2e-5
    • Epochs: 3
    • Batch Size: 1 with gradient accumulation steps of 4

Quick Start

from transformers import CsmForConditionalGeneration, AutoProcessor
import torch
import soundfile as sf

# Load the model
model_id = "keanteng/sesame-csm-elise"  # Replace with your model
device = "cuda" if torch.cuda.is_available() else "cpu"

processor = AutoProcessor.from_pretrained(model_id)
model = CsmForConditionalGeneration.from_pretrained(model_id, device_map=device)

Basic Text-to-Speech

# Simple text generation
conversation = [
    {"role": "0", "content": [{"type": "text", "text": "Hello, this is a test!"}]}
]

inputs = processor.apply_chat_template(
    conversation,
    tokenize=True,
    return_dict=True,
).to(device)

# Generate audio
audio = model.generate(**inputs, output_audio=True)
audio_cpu = audio[0].to(torch.float32).cpu().numpy()

# Save to file
sf.write("output.wav", audio_cpu, 24000)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
CsmForConditionalGeneration
Ревизия весов
49603f2

0 моделей