/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
977 млн
Лицензия
Apache 2.0
Архитектура
csm · dense
Базовая модель
csm-1b
Библиотека
transformers
Опубликована
5 сен 2025

csm-1b-danish-tts

Синтез речиТекст → аудио3 профессии

Адаптер LoRA на базе CSM-1B синтезирует датскую речь из текста с выбором мужского или женского голоса.

267скачиваний за 30 дней5лайковвеса обновлены5 сен 2025

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

nicolajreck/csm-1b-danish-tts — адаптер LoRA, дообученный Nicolaj Reck на базе Sesame CSM-1B для синтеза датской речи из текста. Модель использует архитектуру CSM с примерно 977 млн параметров; обучаемая часть адаптера составляет около 16 млн параметров. Репозиторий содержит веса в формате safetensors, а для работы требуется базовая модель sesame/csm-1b.

Модель предназначена для озвучивания датских текстов естественной речью и поддерживает выбор мужского или женского голоса с помощью токенов диктора. README также заявляет хорошее качество английской речи с датским акцентом; при этом модель оптимизирована для датского, поэтому качество на других языках может быть ниже. Вывод — аудио с частотой дискретизации 24 кГц; указанное в метаданных контекстное окно — 2048 токенов. Лицензия — Apache 2.0.

Сценарии применения

  • озвучивание датских текстов мужским или женским голосом
  • создание датской озвучки для видео и презентаций
  • синтез датской речи для двуязычного контента
  • генерация датских голосовых примеров для приложений

Ограничения

Для работы необходима базовая модель sesame/csm-1b; качество оптимизировано для датского и может быть ниже на других языках. Выбор голоса ограничен мужским и женским вариантами.

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

CSM-1B Danish Text-to-Speech (LoRA)

A natural-sounding Danish text-to-speech model based on CSM-1B, fine-tuned using LoRA (Low-Rank Adaptation) on a combination of Common Voice 17, CoRal-TTS, and private Danish speech data. Fine-tuned by Nicolaj Reck.

Model Description

This model is a LoRA adapter for sesame/csm-1b that enables natural Danish speech synthesis with optional voice control. The adapter was trained specifically for Danish TTS while preserving the multilingual capabilities of the base model.

  • Base Model: sesame/csm-1b
  • Language: Danish (da)
  • Task: Text-to-Speech
  • License: Apache 2.0
  • Model Type: LoRA Adapter
  • Precision: FP16/BF16

Key Features

  • Natural Danish synthesis with clear pronunciation and fluent prosody
  • Exceptional English with Danish accent - Perfect for bilingual content
  • Voice control with male/female speaker selection
  • Efficient fine-tuning using LoRA (only ~16M parameters trained)
  • Voice leakage prevention through frozen speaker/codec modules
  • Ready-to-use Gradio interface included

Quick Start

Installation

pip install transformers torch torchaudio gradio

Basic Usage

import torch
from transformers import CsmForConditionalGeneration, AutoProcessor

# Load model and processor
model = CsmForConditionalGeneration.from_pretrained("nicolajreck/csm-1b-danish-tts")
processor = AutoProcessor.from_pretrained("nicolajreck/csm-1b-danish-tts")

# Generate speech
text = "[1]Hej! Velkommen til dansk tale syntese."  # [1] for female voice
inputs = processor(text, add_special_tokens=True).to("cuda")
audio = model.generate(**inputs, output_audio=True)

# Save audio
processor.save_audio(audio, "output.wav")

Web Interface

Launch the included Gradio interface:

python danish_tts.py

Access at http://localhost:7860 for an interactive TTS experience. Or use the live Huggingface Space.

Voice Control

The model supports two speaker voices:

  • [0] - Male voice
  • [1] - Female voice

Simply prefix your Danish text with the speaker token:

  • [0]God morgen! Hvordan har du det? (Male)
  • [1]God morgen! Hvordan har du det? (Female)

Training Details

Training Data

The model was trained on a carefully curated mix of Danish speech data:

Total: ~35,415 Danish speech samples with balanced representation across datasets.

Training Configuration

  • Method: LoRA (Low-Rank Adaptation)
  • Rank: 16, Alpha: 32, Dropout: 0.05
  • Target Modules: {q_proj, k_proj, v_proj, o_proj, out_proj, gate_proj, up_proj, down_proj, fc1, fc2}
  • Hardware: Single RTX 3090 (24GB)
  • Precision: FP16 training, supports FP16/BF16 inference

Data Processing

  • Duration filtering: 0.6-16 seconds
  • Text normalization: Quote stripping, terminal punctuation
  • Equal-probability dataset mixing to prevent bias
  • Chat-style formatting with Danish language cue

Recommended Settings

For the most natural and fluent speech, use these generation parameters:

# Natural speech settings
audio = model.generate(
    **inputs,
    output_audio=True,
    do_sample=True,
    temperature=0.96,
    depth_decoder_temperature=0.7, 
    top_k=50,
    top_p=0.9,
    repetition_penalty=1.0
)

Example Outputs

The model handles various Danish text types effectively:

Danish TextAudio
"Husk at gemme arbejdet, før computeren genstarter, ellers risikerer du at miste både filer og vigtige ændringer."Your browser does not support the audio element.
"Vi gør opmærksom på, at toget mod Københavns Hovedbanegård er forsinket med omkring 15 minutter. Vi undskylder ventetiden og takker for jeres tålmodighed."Your browser does not support the audio element.

Performance

Compared to the base CSM-1B model on Danish text:

  • ✅ Pronunciation and word clarity
  • ✅ Natural rhythm and speaking flow
  • ✅ Speech with fewer dropped sounds
  • ✅ Pleasant voice across different text types

Gradio Interface Features

The included danish_tts.py provides a comprehensive web interface with:

  • Three-column layout: Input settings, sampling controls, audio output
  • Auto max-length calculation with adjustable multiplier
  • Advanced parameter control: Dual temperatures, Top-K/Top-P, repetition penalty
  • Pre-configured examples with optimized settings

Limitations

  • Optimized specifically for Danish - other languages may have reduced quality
  • Requires base model sesame/csm-1b to function
  • Voice control limited to male/female binary selection

Model Architecture

  • Base: CSM-1B encoder-decoder with depth decoder
  • Audio Format: 24kHz, generated via audio tokens
  • LoRA Integration: Language projections only, speaker/codec frozen
  • Memory Requirements: ~8GB VRAM for inference

Citation

If you use this model, please cite:

@misc{csm1b-danish-2025,
  title={High-Quality Danish Text-to-Speech with CSM-1B: Data Mixing, Voice Control, and LoRA Fine-Tuning},
  author={Nicolaj Reck},
  year={2024},
  howpublished={\url{https://huggingface.co/nicolajreck/csm-1b-danish-tts}},
  note={LinkedIn: https://www.linkedin.com/in/nicolaj-reck-053aa38a/}
}

Acknowledgments

Fine-tuned by: Nicolaj Reck -

Thanks to:

License

This model is released under the Apache 2.0 license. Please see the base model license for additional terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
CsmForConditionalGeneration
Ревизия весов
216f286

0 моделей