/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,3 млрд
Размер весов
6,6 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
svara-tts-v1
Опубликована
23 ноя 2025

svara-tts-voiceclone-beta

Генерация текстаТекст → текст3 профессии

Многоязычная бета-модель преобразует текст в выразительную речь и клонирует голос по короткому аудиореференсу на индийских языках и индийском английском.

1 737скачиваний за 30 дней11лайковвеса обновлены3 дек 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 «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

svara-tts-voiceclone-beta — экспериментальная версия многоязычной модели синтеза речи от Kenpath, созданная на основе svara-tts-v1. Она предназначена для преобразования текста в речь на индийских языках и индийском английском, а также для клонирования голоса по короткому аудиопримеру. Модель использует плотную архитектуру LlamaForCausalLM с дискретными аудиотокенами в стиле Orpheus; в метаданных указаны 3,3 млрд параметров и контекст 131 072 токена.

Модель поддерживает 19 языков: хинди, бенгальский, маратхи, телугу, каннада, бходжпури, магхия, чхаттисгархи, майтхили, ассамский, бодо, догри, гуджарати, малаялам, пенджаби, тамильский, непальский, санскрит и индийский английский. Она поддерживает клонирование голоса по референсному аудио, выразительную речь с эмоциональными и невербальными подсказками и предназначена для диалоговых систем, IVR, обучения, доступности и создания контента. Заявлены совместимость с GGUF и vLLM и возможность специализации с помощью LoRA. Лицензия — Apache-2.0.

Это бета-релиз: сходство голоса может снижаться в длинных высказываниях, качество различается между языками, а эмоциональная выразительность может быть менее надёжной для малоресурсных языков. Клонирование не гарантирует точного воспроизведения голоса; редкие имена и числа могут потребовать нормализации.

Сценарии применения

  • клонирование индийского голоса по короткому аудиопримеру
  • синтез речи на хинди и других индийских языках
  • озвучивание реплик для диалоговых систем и IVR
  • озвучивание учебных материалов и приложений доступности
  • создание выразительной речи для локализации и историй

Ограничения

Модель выпущена в бета-версии: сходство голоса может снижаться на длинных высказываниях и зависит от языка, а эмоциональная выразительность хуже предсказуема для малоресурсных языков. Клонирование не гарантирует точной копии голоса; редкие имена и числа могут потребовать нормализации.

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

svara-tts-voiceclone-beta — Voice Cloning + Expressive TTS for Indic Languages

🤗 Hugging Face - Model 🤗 Hugging Face - Spaces Open In Colab GitHub

svara-tts-voiceclone-beta is an experimental extension of svara-tts-v1, designed to bring lightweight voice cloning and improved accent preservation to Indic languages. It introduces a simple but effective reference-swap finetuning technique, enabling more stable zero-shot speaker identity across long, expressive utterances.

Built on an Orpheus-style discrete audio token architecture, the model supports 19 languages, expressive cues (<laugh>, <yawn>, <angry>), and low-latency TTS on commodity hardware.


At a Glance

  • Languages (19): Hindi, Bengali, Marathi, Telugu, Kannada, Bhojpuri, Magahi, Chhattisgarhi, Maithili, Assamese, Bodo, Dogri, Gujarati, Malayalam, Punjabi, Tamil, Nepali, Sanskrit, Indian English.
  • Voice Cloning: Improved consistency using reference-swap finetuning, works with short (≈10s) reference audio.
  • Expressivity: Emotion tags; non-verbal cues; improved Indic prosody.
  • Low-Latency Deployment: Fully compatible with GGUF and vLLM.
  • Adaptability: LoRA-ready; easy to specialize for speakers, domains, or dialects.

Demo playback uses the same Space as svara-tts-v1.


Prompting (Orpheus-Style)

  • Place style/emotion tags at the end: आज शाम को जल्दी मिलते हैं। <neutral>
  • Provide reference audio tokens before the target text.
  • Use punctuation to control rhythm, pauses, and emphasis.

Zero-shot example:

<BOS>
<reference_audio_tokens_here>
कल शाम को जल्दी मिलते हैं। <neutral>
<SOA>

Speaker IDs remain compatible with svara-tts-v1: Language (Gender).


Training Data Summary

svara-tts-voiceclone-beta is enhanced from the multilingual base of svara-tts-v1, trained on:

  • SYSPIN, RASA, IndicTTS, SPICOR
  • ~2000 hours, ~50 speakers, balanced male/female
  • Rich phoneme coverage across 19 Indic languages

The reference-swap augmentation uses multi-utterance samples to improve speaker consistency across Indic phonetic variation.


Intended Uses

  • Zero-shot voice cloning for Indic voices
  • Dialogue systems, IVR, learning apps, accessibility solutions
  • Content creation, localization, storytelling
  • Research on speech identity, expressivity, and multilingual TTS

Out-of-Scope / Not Intended

  • Impersonating private individuals without consent
  • Fraud, targeted deception, harassment
  • High-risk or safety-critical deployments
  • Perfect 1:1 replication of voices (this is a beta research release)

Limitations

  • Zero-shot cloning is not identical to dedicated finetuning
  • Speaker similarity may degrade over long utterances
  • Varies by language due to dataset imbalance
  • Emotion emphasis may differ across low-resource languages
  • Rare names and numbers may require normalization or rewriting

These improve with targeted LoRA finetuning or higher-quality data.


Responsible Use

By using this model, you agree to follow applicable laws and ethical guidelines. Synthetic speech should be disclosed when appropriate. Avoid impersonation or harmful use cases.


Sources & Links


🙏 Acknowledgments

Developed by Kenpath Technologies. Special thanks to:

  • Canopy Labs — Orpheus (architecture & research release)
  • SYSPIN / SPICOR — IISc Bangalore
  • AI4Bharat — RASA
  • IIT Madras — IndicTTS
  • Unsloth (training tools & LoRA insights)
  • RunPod (GPU compute credits)

License

Apache-2.0


Versioning & Changelog

  • v0.1.0-beta: Initial release with reference-swap voice cloning

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
5cd3c47

0 моделей