/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
CC BY-NC 4.0
Архитектура
omnivoice · dense
Базовая модель
OmniVoice
Опубликована
24 июл 2026

omnivoice-word-control

Синтез речиТекст → аудио3 профессии

Дообученная OmniVoice для синтеза английской речи с настройкой акустических характеристик на уровне отдельных слов.

38скачиваний за 30 дней1лайквеса обновлены24 июл 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

OmniVoice Word-Control — дообученная multimodalart модель синтеза речи на основе OmniVoice (0,6 млрд параметров, masked-diffusion LM TTS на Qwen3-0.6B). Она добавляет управление акустическими характеристиками на уровне отдельных слов: в текст можно вставлять специальные токены для задания высоты тона, длительности, паузы, энергии и тембра; для слов без меток модель выбирает характеристики самостоятельно.

Управление задаётся дискретными значениями, а токен длительности распределяет время внутри заранее заданной общей длительности синтеза. Модель рассчитана на английский язык и сохраняет возможность обычного синтеза речи без меток; репозиторий содержит токенизатор с 116 управляющими токенами. Модель обучена на WordVoice-5A: 2 138 часов аудиозаписей и 1,18 млн высказываний; все параметры дообучались, а цель masked-diffusion не менялась. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • синтез английской речи с заданной высотой тона для отдельных слов
  • управление длительностью произнесения слов и паузами между ними
  • настройка энергии и тембра речи по словам
  • синтез речи с частичным управлением, когда часть слов модель озвучивает самостоятельно
  • создание выразительной английской озвучки с разметкой характеристик слов

Ограничения

Модель предназначена для английского языка; параметры управления дискретизированы, а заданная длительность слов перераспределяет время внутри общей длительности синтеза. Коммерческое использование запрещено лицензией CC BY-NC 4.0.

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

OmniVoice Word-Control

OmniVoice (0.6B masked-diffusion LM TTS on Qwen3-0.6B) fine-tuned for five-dimensional word-level acoustic control, following the task of WordVoice (arXiv:2607.06461) and its dataset WordVoice-5A.

Control is injected as inline special tokens placed before any word (any subset works; untagged words are planned freely by the model):

<|dur_9|><|bnd_0|><|eng_15|><|pit_17|><|ton_rise|>word
tokensattributediscretization
<|dur_0..63|>word duration40 ms frames (40 ms – 2.56 s)
<|bnd_0..4|>pause after wordb0 (none) … b4 (long, >0.4 s)
<|eng_0..19|>energy20 uniform bins over [0, 1]
<|pit_0..19|>pitch (core F0)20 uniform bins over [−1, 1]
<|ton_flat|rise|rrise|fall|ffall|peak|valley|>pitch contour7 morphologies

Usage

from omnivoice import OmniVoice  # code: github.com/k2-fsa/OmniVoice

model = OmniVoice.from_pretrained("multimodalart/omnivoice-word-control", device_map="cuda")
audio = model.generate(
    text="I will <|pit_3|><|ton_ffall|>never agree to <|bnd_4|>this!",
    language="en",
    ref_audio="ref.wav",
    ref_text="Transcript of the reference clip.",
)

The tokenizer in this repo already contains the 116 control tokens. For strict overall timing, also pass duration= (the diffusion canvas is fixed before generation, so word duration tokens redistribute time within it). Try it in the demo Space.

Training

  • Init from k2-fsa/OmniVoice; all parameters trained; masked-diffusion objective unchanged (control tokens are conditioning only — no loss on text).
  • Data: WordVoice-5A English, all 4 train shards (~2,138 h, 1.18 M utterances); on-the-fly tag construction with dropout (15% utterances untagged / 20% words / attributes kept @ 0.7) to preserve plain TTS and enable partial control.
  • 40k steps × 8,192 effective tokens (~1 epoch), lr 5e-5 cosine, bf16, single A100-40GB, ≈6 h.
  • Final eval loss 4.109 (best of run). Directional probes (hi/lo tag ratio, seed-matched): pitch 3.61, energy 2.52, duration 2.70.

Fine-tuning recipe: the word-control patch set on the OmniVoice trainer (omnivoice/data/word_control.py — tag vocabulary, binning, alignment, dropout).

License & lineage

Weights are CC-BY-NC-4.0 (derivative of the CC-BY-NC OmniVoice release). Data: WordVoice-5A (CC-BY-4.0). Task formulation: WordVoice, arXiv:2607.06461.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура omnivoice неизвестна transformers в образе рантайма.

Класс архитектуры
OmniVoice
Ревизия весов
5556ccb

0 моделей