/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,8 млрд
Размер весов
16,4 ГБ
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
3 сен 2025

Malaysian-TTS-4B-v0.1

Генерация текстаТекст → текст3 профессии

Дообученная модель Mesolitica синтезирует малайскую и английскую речь с потоковой выдачей и управлением просодией отдельных слов.

490скачиваний за 30 дней3лайкавеса обновлены14 сен 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-4B-v0.1 — модель преобразования текста в речь на основе Qwen3-4B-Base, дообученная командой Mesolitica на синтетических данных из Malaysian-Podcast-Dia-1.6B. Она предназначена для синтеза малайской и английской речи с переключением между языками внутри контекста, потоковой выдачей текстовых сегментов и управлением высотой тона и скоростью произнесения отдельных слов. Для декодирования речи используется DistilCodec, выходная частота дискретизации — 24 кГц; доступны только голоса husein и idayu.

Модель содержит 3,8 млрд параметров, использует плотную архитектуру Qwen3 и принимает контекст до 32 768 токенов. Для обучения применялось полное дообучение параметров с контекстом обучения 4096 токенов. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Лицензия в предоставленных сведениях не указана.

Сценарии применения

  • озвучивание текста на малайском языке
  • озвучивание текста на английском языке
  • синтез речи с переключением между малайским и английским
  • потоковая генерация речевых сегментов
  • управление высотой тона и скоростью произнесения слов

Ограничения

Доступны только два голоса — husein и idayu; датасет обучения был полностью синтетическим. Частота дискретизации выходной речи составляет 24 кГц.

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-4.0B-v0.1

Continue pretraining Qwen/Qwen3-4B-Base on mesolitica/Malaysian-TTS-v2,

  1. Use DistilCodec as speech detokenizer, output in 24k sample rate.
  2. Optional controllable pitch and speed for each words.
  3. Support context switching between Malay and English.
  4. Support streamable text segment.
  5. Support husein and idayu speakers only.

How do we train

  1. Dataset purely synthetic generated using mesolitica/Malaysian-Podcast-Dia-1.6B.
  2. Multipacking with proper document masking on 4096 context length.
  3. FP32-BF16 mixed precision training.
  4. Full parameter finetuning.
  5. WanDB at https://wandb.ai/huseinzol05/Qwen-Qwen3-4B-Base-4k-TTS-distilcodec

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-4B-v0.1')
model = AutoModelForCausalLM.from_pretrained('mesolitica/Malaysian-TTS-4B-v0.1', torch_dtype = 'auto').cuda()

Non-streaming

import soundfile as sf

string = 'The first anti-hoax legislation in the world, Akta Anti Berita Tidak Benar two thousand and eighteen. Saya nak makan nasi ayam.'
left = 'idayu' +': ' + 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=0.5,
    do_sample=True,
    repetition_penalty=1.0,
)
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('output.mp3', y_gen[0, 0].cpu().numpy(), 24000)

Output,

  1. output-idayu.mp3
  2. output-husein.mp3

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
b1db612

0 моделей