/ Модель

Характеристики

Архитектура
irodori_tts · dense
Базовая модель
Irodori-TTS-v4-Small
Библиотека
mlx-audio
Опубликована
10 авг 2026

Irodori-TTS-v4-Small-8bit

Синтез речиТекст → аудио3 профессии

Японская MLX-модель синтеза речи с клонированием голоса, созданием голоса по описанию и автоматическим предсказанием длительности.

32скачиваний за 30 дней1лайквеса обновлены10 авг 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-v4-Small-8bit — преобразованная в формат MLX и 8-битное представление версия модели Aratako/Irodori-TTS-v4-Small, опубликованная mlx-community. Она предназначена для синтеза речи на японском языке и объединяет в одном чекпойнте клонирование голоса по аудиообразцу, создание голоса по текстовому описанию (VoiceDesign) и автоматическое предсказание длительности речи.

Модель использует текстовый энкодер ModernBERT-ja-310m с включёнными весами и токенизатором, а также японский аудиокодек Semantic-DACVAE-Japanese-32dim; для инференса эти компоненты не требуется загружать отдельно. Можно передавать аудиообразец длительностью до 120 секунд; список фрагментов кодируется отдельно и объединяется, что соответствует обучению модели.

При передаче описания голоса без аудиообразца предсказатель длительности может примерно удваивать короткие тексты короче семи токенов, из-за чего модель повторяет фразу. Это преобразованная производная базовой модели, а не самостоятельная разработка. Лицензия в предоставленных данных не указана.

Сценарии применения

  • синтез японской речи из текста
  • клонирование голоса по аудиообразцу
  • создание голоса по текстовому описанию
  • озвучивание японских фраз с заданной длительностью

Ограничения

Без аудиообразца короткий текст при заданном описании голоса может быть произнесён дважды из-за предсказания длительности. Аудиообразец ограничен длительностью до 120 секунд.

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-v4-Small-8bit

This model was converted to MLX format from Aratako/Irodori-TTS-v4-Small using mlx-audio version 0.4.7.

Use with mlx-audio

pip install -U mlx-audio

Command line

mlx_audio.tts.generate --model mlx-community/Irodori-TTS-v4-Small-8bit --text "こんにちは、Irodori TTSのMLX版です。" --ref_audio reference.wav

Python

from mlx_audio.tts.generate import generate_audio

generate_audio(
    text="こんにちは、Irodori TTSのMLX版です。",
    model="mlx-community/Irodori-TTS-v4-Small-8bit",
    ref_audio="reference.wav",
    file_prefix="output",
)

Notes

  • Unified v4 model: voice cloning, VoiceDesign (caption) and automatic duration prediction in one checkpoint.
  • The ModernBERT-ja-310m text encoder weights and its tokenizer are bundled, and the Semantic-DACVAE-Japanese-32dim codec ships in dacvae/, so inference needs no additional downloads.
  • Reference audio: up to 120s. Passing a list of clips encodes each separately and concatenates them, which matches training better than one long recording.
  • With a caption but no reference audio, the duration predictor roughly doubles the length of short texts (under ~7 tokens) and the model reads the sentence twice to fill the window. This matches the reference PyTorch implementation. Pass reference audio, or set duration_scale / seconds.

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
74de561

0 моделей