/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
541 млн
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
15 авг 2025

Malaysian-TTS-0.6B-v1

Генерация текстаТекст → текст3 профессии

Модель mesolitica для синтеза малайской и английской речи с несколькими голосами и частотой вывода 24 кГц.

7 758скачиваний за 30 дней1лайквеса обновлены17 авг 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

Malaysian-TTS-0.6B-v1 — модель преобразования текста в речь от mesolitica, созданная продолжением предобучения mesolitica/Malaysian-TTS-0.6B-v0.1 на более согласованном наборе данных. В основе — плотная архитектура Qwen3 с причинной языковой моделью; размер составляет 541,2 млн параметров, контекст — до 32 768 токенов. Для детокенизации речи используется DistilCodec, аудио выводится с частотой 24 кГц.

Модель предназначена для синтеза речи на малайском и английском языках с переключением между ними в одном контексте. В карточке перечислены несколько голосов, включая малайские, сингапурские и Singlish варианты. Для генерации ожидается нормализованный текст: числа нужно предварительно записывать словами. В данных о повторяющихся произношениях паузы не всегда соответствуют запятым, поэтому пунктуация может не задавать ожидаемые паузы. Лицензия в предоставленных данных не указана.

Сценарии применения

  • синтез речи на малайском языке
  • синтез речи на английском языке с переключением языков
  • озвучивание нормализованного текста несколькими голосами
  • создание речевых аудиоматериалов на малайском и английском

Ограничения

Модель обучена на нормализованном тексте, поэтому числа и другие формы записи нужно предварительно преобразовывать в слова. Паузы в повторяющихся произношениях могут не соответствовать запятым.

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

Malaysian-TTS-0.6B-v1

Continue pretraining mesolitica/Malaysian-TTS-0.6B-v0.1 on much consistent dataset,

  1. Use DistilCodec as speech detokenizer, output in 24k sample rate.
  2. Support context switching between Malay and English.
  3. Better pronunciation for letters.
  4. Better repetitive tolerance.

Speakers

  1. husein
  2. idayu
  3. singaporean
  4. DisfluencySpeech
  5. singlish-speaker2050
  6. singlish-speaker2202
  7. haqkiem, private dataset.

How do we train

  1. Multipacking with proper document masking on 4096 context length.
  2. FP32-BF16 mixed precision training.
  3. Full parameter finetuning.
  4. WanDB at https://wandb.ai/huseinzol05/Malaysian-TTS-0.6B-v1

How to use

  1. First install DistilCodec,
pip3 install git+https://github.com/mesolitica/DistilCodec
  1. Load the models,
# wget https://huggingface.co/IDEA-Emdoor/DistilCodec-v1.0/resolve/main/model_config.json
# wget https://huggingface.co/IDEA-Emdoor/DistilCodec-v1.0/resolve/main/g_00204000

from distilcodec import DistilCodec, demo_for_generate_audio_codes
from transformers import AutoTokenizer, AutoModelForCausalLM

codec_model_config_path='model_config.json'
codec_ckpt_path = 'g_00204000'

codec = DistilCodec.from_pretrained(
    config_path=codec_model_config_path,
    model_path=codec_ckpt_path,
    use_generator=True,
    is_debug=False).eval()

tokenizer = AutoTokenizer.from_pretrained('mesolitica/Malaysian-TTS-0.6B-v1')
model = AutoModelForCausalLM.from_pretrained('mesolitica/Malaysian-TTS-0.6B-v1', torch_dtype = 'auto').cuda()
  1. Generate,
import soundfile as sf
from tqdm import tqdm

speakers = [
    'husein',
    'idayu',
    'singaporean',
    'DisfluencySpeech',
    'singlish-speaker2050',
    'singlish-speaker2202',
    'haqkiem',
]

string = 'IC saya adalah, sembilan enam, kosong tiga, satu empat, one, one, one, one, A, B, C, D, and yes, what can I help you sir?'

for s in tqdm(speakers):

    left = s +': ' + string
    prompt = f'<|im_start|>{left}<|speech_start|>'
    
    generate_kwargs = dict(
        **tokenizer(prompt, return_tensors = 'pt', add_special_tokens = False).to('cuda'),
        max_new_tokens=1024,
        temperature=0.7,
        do_sample=True,
        repetition_penalty=1.1,
    )
    generation_output = model.generate(**generate_kwargs)
    speech_token = tokenizer.decode(generation_output[0]).split('<|speech_start|>')[-1].replace('<|endoftext|>', '')
    numbers = re.findall(r'speech_(\d+)', speech_token)
    d = list(map(int, numbers))
    y_gen = codec.decode_from_codes(
        d,
        minus_token_offset=False
    )
    sf.write(f'{s}.mp3', y_gen[0, 0].cpu().numpy(), 24000)

Output,

  1. husein-0.6b.mp3
  2. idayu-0.6b.mp3
  3. singaporean-0.6b.mp3
  4. DisfluencySpeech-0.6b.mp3
  5. singlish-speaker2050-0.6b.mp3
  6. singlish-speaker2202-0.6b.mp3
  7. haqkiem-0.6b.mp3

Limitation

  1. This model trained on normalized text, so if you have text such as 123, you have to normalize it first to become one two three or one hundred twenty three or satu dua tiga or seratus dua puluh tiga. Feel free to use Malaya for normalization, Malaya support Malay and English normalization, read more at https://github.com/mesolitica/malaya/issues/247#issuecomment-3030313021
  2. The repetitive pronunciation dataset does not consistently use commas to for pauses. For example, A, A, A, A, B, B in our recordings is spoken as A A A A B B. We have no intention to improve it due to cost, but continue finetune using proper dataset should able to solve it.

Source code

Source code at https://github.com/mesolitica/malaya-speech/tree/master/session/qwen-tts

Acknowledgement

Special thanks to https://www.sns.com.my and Nvidia for 1x H100!

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
f2d02fb

0 моделей