/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,8 млрд
Размер весов
7,1 ГБ
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
15 авг 2025

Malaysian-TTS-1.7B-v1

Генерация текстаТекст → текст3 профессии

Разговорная модель mesolitica на базе Qwen3, которая генерирует малайскую и английскую речь из текста с помощью DistilCodec.

999скачиваний за 30 дней0лайковвеса 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-1.7B-v1 — разговорная языковая модель для синтеза речи, разработанная mesolitica. Это продолжение предобучения mesolitica/Malaysian-TTS-1.7B-v0.1 на более согласованном наборе данных с полным дообучением параметров. Модель построена на архитектуре Qwen3, содержит 1,8 млрд параметров и использует контекст до 32 768 токенов.

Модель принимает текст и генерирует речевые токены, которые декодируются с помощью DistilCodec в аудио с частотой 24 кГц. Она поддерживает переключение между малайским и английским языками, несколько голосов и улучшенное произношение букв и устойчивость к повторениям. Предназначена для озвучивания текста на малайском и английском, включая переключение языков в одной фразе.

Для корректной озвучки числа нужно предварительно нормализовать в слова. В некоторых повторяющихся фразах запятые не обеспечивают паузы. В README указана установка DistilCodec, но лицензия модели не приведена.

Сценарии применения

  • синтез речи на малайском языке
  • синтез речи на английском языке
  • озвучивание текста с переключением между малайским и английским
  • генерация речи несколькими голосами
  • озвучивание нормализованных чисел и букв

Ограничения

Числа требуется заранее нормализовать в слова. Запятые в повторяющихся фразах могут не создавать паузы; для генерации аудио необходим DistilCodec.

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-1.7B-v1

Continue pretraining mesolitica/Malaysian-TTS-1.7B-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-1.7B-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-1.7B-v1')
model = AutoModelForCausalLM.from_pretrained('mesolitica/Malaysian-TTS-1.7B-v1', torch_dtype = 'auto').cuda()
  1. Generate,
import soundfile as sf
import re
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, D, yes, Husein is very cute, cute, cute.'

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-v1.mp3
  2. idayu-v1.mp3
  3. singaporean-v1.mp3
  4. DisfluencySpeech-v1.mp3
  5. singlish-speaker2050-v1.mp3
  6. singlish-speaker2202-v1.mp3
  7. haqkiem-v1.mp3

Only singlish-speaker2202 and haqkiem had to generate 2 times to get better output that follow exact text input.

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 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
ddb9b6a

0 моделей