/ Модель

Характеристики

Размер весов
1,7 ГБ
Лицензия
MIT
Архитектура
irodori_tts · dense
Библиотека
mlx-audio
Опубликована
1 июн 2026

Irodori-TTS-600M-v3-VoiceDesign-fp16

Синтез речиТекст → аудио3 профессии

Японская MLX-модель синтеза речи, позволяющая задавать стиль голоса текстовым описанием и аудиореференсом.

70скачиваний за 30 дней2лайкавеса обновлены1 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Irodori-TTS-600M-v3-VoiceDesign-fp16 — вариант Irodori-TTS, преобразованный сообществом mlx-community из Aratako/Irodori-TTS-600M-v3-VoiceDesign в формат MLX с помощью mlx-audio 0.4.3. Модель предназначена для синтеза речи по тексту и поддерживает настройку голоса: можно задать текстовое описание желаемого стиля, аудиореференс или оба условия одновременно.

Модель использует плотную архитектуру семейства irodori_tts и распространяется в формате safetensors; в метаданных указана библиотека mlx-audio и лицензия MIT. Карточка связывает модель с японским языком. Вариант fp16 рассчитан на запуск в экосистеме MLX. Подробности об объёме параметров, длине контекста и ограничениях качества в предоставленных данных отсутствуют.

Сценарии применения

  • синтез японской речи из текста
  • генерация речи с заданным голосовым стилем
  • создание озвучки по текстовому описанию голоса
  • синтез речи с опорой на аудиореференс

Ограничения

Для работы в указанном формате требуется экосистема MLX и библиотека mlx-audio. В предоставленной карточке нет подробных оценок качества или описания ограничений синтеза.

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

mlx-community/Irodori-TTS-600M-v3-VoiceDesign-fp16

This model was converted to MLX format from Aratako/Irodori-TTS-600M-v3-VoiceDesign using mlx-audio version 0.4.3.

Refer to the original model card for more details on the model.

The v3 VoiceDesign variant supports dual conditioning: a text caption describing the desired voice style, and optionally a reference audio clip. Both can be provided simultaneously.

Use with mlx-audio

pip install -U mlx-audio

Caption only (no reference audio)

python -m mlx_audio.tts.generate \
  --model mlx-community/Irodori-TTS-600M-v3-VoiceDesign-fp16 \
  --text "こんにちは、テストです。" \
  --instruct "穏やかで落ち着いた女性の声。ゆっくりと話す。"

Reference audio + caption (dual mode)

python -m mlx_audio.tts.generate \
  --model mlx-community/Irodori-TTS-600M-v3-VoiceDesign-fp16 \
  --text "こんにちは、テストです。" \
  --ref_audio path/to/reference.wav \
  --instruct "穏やかで落ち着いた話し方。"

Python Example

from mlx_audio.tts.utils import load

model = load("mlx-community/Irodori-TTS-600M-v3-VoiceDesign-fp16")

# Caption only
results = list(model.generate(
    "こんにちは、テストです。",
    caption="穏やかで落ち着いた女性の声。",
))

# Dual mode (ref audio + caption)
import mlx.core as mx
ref_audio = mx.array(...)  # shape (1, num_samples)
results = list(model.generate(
    "こんにちは、テストです。",
    ref_audio=ref_audio,
    caption="穏やかで落ち着いた話し方。",
))

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx-audio

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
544900a

0 моделей