/ 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-fp16

Синтез речиТекст → аудио3 профессии

Японская модель преобразует текст в речь, клонирует голос по аудиообразцу и позволяет задавать голос текстовым описанием.

377скачиваний за 30 дней4лайкавеса 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-fp16 — японская модель синтеза речи, преобразованная mlx-community в формат MLX из Aratako/Irodori-TTS-v4.1-Small с помощью mlx-audio 0.4.7. Она объединяет в одном чекпойнте клонирование голоса по образцу речи, создание голоса по текстовому описанию VoiceDesign и автоматическое предсказание длительности. В комплект входят текстовый энкодер ModernBERT-ja-310m с токенизатором и японский аудиокодек Semantic-DACVAE-Japanese-32dim, поэтому для инференса не нужны дополнительные загрузки.

Модель принимает текст и, для клонирования голоса или подсказки длительности, референсное аудио продолжительностью до 120 секунд; на выходе создаёт речь. Карточка указывает японскую специализацию. Короткие запросы только с описанием голоса могут приводить к повторному чтению текста и завышенной длительности; для таких случаев можно передать референсное аудио или задать duration_scale либо seconds. В README и метаданных лицензия не приведена.

Сценарии применения

  • синтез японской речи из текста
  • клонирование голоса по аудиозаписи
  • создание голоса по текстовому описанию
  • управление длительностью синтезированной речи

Ограничения

Короткие запросы только с описанием голоса могут приводить к повтору предложения и завышенной длительности; README рекомендует передавать референсное аудио или задавать duration_scale либо seconds. Лицензия в использованных источниках не указана.

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-fp16

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-fp16 --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-fp16",
    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.

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
8be8d91

0 моделей