/ Модель

Характеристики

Архитектура
irodori_tts · dense
Базовая модель
Irodori-TTS-v4.1-Small
Библиотека
mlx-audio
Опубликована
15 авг 2026

Irodori-TTS-v4.1-Small-8bit

Синтез речиТекст → аудио3 профессии

Японская 8-битная версия Irodori-TTS-v4.1-Small для синтеза речи из текста, клонирования голоса и генерации голоса по описанию.

206скачиваний за 30 дней2лайкавеса обновлены15 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-v4.1-Small-8bit — японская модель синтеза речи из текста, опубликованная mlx-community как версия в формате MLX, преобразованная из Aratako/Irodori-TTS-v4.1-Small. Она построена на архитектуре Irodori-TTS и предназначена для озвучивания текста, клонирования голоса по референсному аудио и генерации голоса по текстовому описанию (VoiceDesign). В чекпойнт включены текстовый энкодер ModernBERT-ja-310m с токенизатором и японский аудиокодек Semantic-DACVAE-Japanese-32dim; для инференса дополнительные загрузки не нужны. Модель принимает референсное аудио длительностью до 120 секунд, а предсказатель длительности автоматически оценивает длительность синтеза.

Веса квантизированы до 8 бит с размером группы 64 через mlx.nn.quantize; предсказания длительности отличаются от модели fp16 не более чем на один кадр (40 мс). Версия v4.1 обновляет предсказатель длительности, обученный отдельно при замороженных остальных параметрах; остальные 683 из 714 тензоров совпадают с v4. Для коротких запросов только с описанием голоса модель может переоценивать длительность и повторять текст; можно передать референсное аудио или задать duration_scale либо seconds. Использование рассчитано на mlx-audio. Сведения о лицензии в предоставленных материалах отсутствуют.

Сценарии применения

  • озвучивание японского текста
  • клонирование голоса по референсной записи
  • создание голоса по текстовому описанию
  • настройка длительности синтезированной речи

Ограничения

На коротких запросах только с описанием голоса модель может завышать длительность и повторять текст; помогает референсное аудио или явная настройка длительности. Для работы требуется mlx-audio.

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-v4.1-Small-8bit

This model was converted to MLX format from Aratako/Irodori-TTS-v4.1-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-v4.1-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-v4.1-Small-8bit",
    ref_audio="reference.wav",
    file_prefix="output",
)

Notes

  • Unified v4.1 model: voice cloning, VoiceDesign (caption) and automatic duration prediction in one checkpoint.

  • v4.1 differs from v4 only in the duration predictor, which upstream retrained separately with every other parameter frozen. The remaining 683 of 714 tensors are bit-identical to v4.

  • 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.

  • Short caption-only prompts are shorter than in v4, but still over-predicted. Measured with the same reference clip and caption:

    TextTokensv4 caption onlyv4.1 caption only
    こんにちは。33.64s2.88s
    今日はいい天気ですね。55.60s4.72s
    MLXへの移植が完了しました。74.08s3.84s

    Under about seven tokens the model can still fill the surplus by reading the sentence a second time. This matches the reference PyTorch implementation, which predicts 117.41 frames against MLX's 117.56 for the second row, and produces the same repeat. Pass reference audio, or set duration_scale / seconds.

  • Quantized to 8 bits with mlx.nn.quantize (group size 64). Note that this covers more layers than the upstream torchao checkpoints, which keep AdaLN, the projectors and the duration predictor in BF16. Duration predictions stay within one frame (40 ms) of the fp16 model.

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
c81956b

0 моделей