/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
460 млн
Лицензия
Своя лицензия
Архитектура
lfm2 · dense
Библиотека
transformers
Опубликована
18 окт 2025

kani-tts-400m-0.3-pt

Генерация текстаТекст → текст3 профессии

KaniTTS Pretrain v0.3 — компактная мультиязычная модель для быстрого преобразования текста в речь в разговорных приложениях.

90скачиваний за 30 дней13лайковвеса обновлены18 фев 2026

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 «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат 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

KaniTTS Pretrain v0.3 — модель синтеза речи, представленная в карточке как высокоскоростная система для генерации речи в разговорных приложениях. Она использует двухэтапную схему: языковая модель формирует сжатые аудиотокены, после чего нейрокодек синтезирует из них звуковую волну. В метаданных указаны архитектура LFM2 с плотной causal language model на 460 млн параметров, библиотека Transformers и контекст 128 000 токенов; README указывает размер 400 млн параметров и частоту дискретизации 22 кГц.

Модель принимает текст и выдаёт аудио. Заявлены английский, китайский, корейский, испанский, немецкий, японский, арабский и кыргызский языки; карточка подчёркивает преимущественную оптимизацию для английского. README приводит ориентир скорости около пяти раз быстрее реального времени на RTX 5090, но указывает снижение качества на входах длиннее 15 секунд, ограниченную эмоциональную выразительность без дообучения и возможные смещения в просодии и произношении. Модель не поддерживает несколько дикторов. В README заявлена лицензия Apache 2.0, тогда как метаданные Hugging Face обозначают лицензию как other, поэтому условия лицензирования следует сверить с файлами репозитория.

Сценарии применения

  • озвучивание ответов чат-бота в реальном времени
  • генерация речи для виртуального ассистента
  • создание озвучки для экранного диктора
  • озвучивание учебных текстов при изучении языков
  • синтез речи для разговорного интерфейса

Ограничения

Для входов длиннее примерно 15 секунд производительность ухудшается, поэтому README рекомендует разбивать их на фрагменты; без дообучения эмоциональная выразительность ограничена, а модель не поддерживает нескольких дикторов. Карточка отмечает преимущественную оптимизацию для английского и возможные смещения в произношении и просодии; сведения о лицензии расходятся между README (Apache 2.0) и метаданными (other).

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

KaniTTS Pretrain v0.3

License

A high-speed, high-fidelity Text-to-Speech model optimized for real-time conversational AI applications.

Overview

KaniTTS uses a two-stage pipeline combining a large language model with an efficient audio codec for exceptional speed and audio quality. The architecture generates compressed token representations through a backbone LLM, then rapidly synthesizes waveforms via neural audio codec, achieving extremely low latency.

Key Specifications:

  • Model Size: 400M parameters
  • Sample Rate: 22kHz
  • Language: English, Chinese, Korean, Spanish, German, Japanese, German, Kyrgyz
  • License: Apache 2.0

Quickstart: Install from PyPI & Run Inference

It’s a lightweight so you can install, load a model, and speak in minutes. Designed for quick starts and simple workflows—no heavy setup, just pip install and run. More detailes...

Install

pip install kani-tts
pip install -U "transformers==4.57.1" # for LFM2 !!!

Quick Start

from kani_tts import KaniTTS

model = KaniTTS('nineninesix/kani-tts-400m-0.3-pt')

# Generate audio from text
audio, text = model("Your text here")

# Save to file (requires soundfile)
model.save_audio(audio, "output.wav")

Working with Multi-Speaker Models

This model NOT support multiple speakers. But You can check if Your model supports speakers and select a specific voice:

from kani_tts import KaniTTS

model = KaniTTS('your_mode_repo/name')

# Check if model supports multiple speakers
print(f"Model type: {model.status}")  # 'singlspeaker' or 'multispeaker'

# Display available speakers (pretty formatted)
model.show_speakers()

# Or access the speaker list directly
print(model.speaker_list)

# Generate audio with a specific speaker
audio, text = model("Your text here", speaker_id="speaker_n")

Custom Configuration

from kani_tts import KaniTTS

model = KaniTTS(
    'nineninesix/kani-tts-400m-0.3-pt',
    temperature=0.7,           # Control randomness (default: 1.0)
    top_p=0.9,                 # Nucleus sampling (default: 0.95)
    max_new_tokens=2000,       # Max audio length (default: 1200)
    repetition_penalty=1.2,    # Prevent repetition (default: 1.1)
    suppress_logs=True,        # Suppress library logs (default: True)
    show_info=True,            # Show model info on init (default: True)
)

audio, text = model("Your text here")

Playing Audio in Jupyter Notebooks

You can listen to generated audio directly in Jupyter notebooks or IPython:

from kani_tts import KaniTTS
from IPython.display import Audio as aplay

model = KaniTTS('nineninesix/kani-tts-400m-0.3-pt')
audio, text = model("Your text here")

# Play audio in notebook
aplay(audio, rate=model.sample_rate)

Performance

On NovitaAI RTX 5090 using vLLM:

GPU Benchmark Results

GPU ModelVRAMCost ($/hr)RTF
RTX 509032GB$0.4230.190
RTX 408016GB$0.2200.200
RTX 5060 Ti16GB$0.1380.529
RTX 4060 Ti16GB$0.1220.537
RTX 306012GB$0.0930.600

Datasets

Use Cases

  • Conversational AI: Real-time speech for chatbots and virtual assistants
  • Edge/Server Deployment: Resource-efficient inference on affordable hardware
  • Accessibility: Screen readers and language learning applications
  • Research: Fine-tuning for specific voices, accents, or emotions

Limitations

  • Performance degrades with inputs exceeding 15 seconds (need to use sliding window chunking)
  • Limited expressivity without fine-tuning for specific emotions
  • May inherit biases from training data in prosody or pronunciation
  • Optimized primarily for English; other languages may require additional training

Optimization Tips

  • Multilingual Performance: Continually pretrain on target language datasets and fine-tune NanoCodec
  • Batch Processing: Use batches of 8-16 for high-throughput scenarios
  • Hardware: Optimized for NVIDIA Blackwell architecture GPUs

Resources

Models:

Examples:

Links:

Acknowledgments

Built on top of LiquidAI LFM2 350M as the backbone and Nvidia NanoCodec for audio processing.

Responsible Use

Prohibited activities include:

  • Illegal content or harmful, threatening, defamatory, or obscene material
  • Hate speech, harassment, or incitement of violence
  • Generating false or misleading information
  • Impersonating individuals without consent
  • Malicious activities such as spamming, phishing, or fraud

By using this model, you agree to comply with these restrictions and all applicable laws.

Contact

Have a question, feedback, or need support? Please fill out our contact form and we'll get back to you as soon as possible.

Citation

@inproceedings{emilialarge,
  author={He, Haorui and Shang, Zengqiang and Wang, Chaoren and Li, Xuyuan and Gu, Yicheng and Hua, Hua and Liu, Liwei and Yang, Chen and Li, Jiaqi and Shi, Peiyang and Wang, Yuancheng and Chen, Kai and Zhang, Pengyuan and Wu, Zhizheng},
  title={Emilia: A Large-Scale, Extensive, Multilingual, and Diverse Dataset for Speech Generation},
  booktitle={arXiv:2501.15907},
  year={2025}
}
@article{emonet_voice_2025,
  author={Schuhmann, Christoph and Kaczmarczyk, Robert and Rabby, Gollam and Friedrich, Felix and Kraus, Maurice and Nadi, Kourosh and Nguyen, Huu and Kersting, Kristian and Auer, Sören},
  title={EmoNet-Voice: A Fine-Grained, Expert-Verified Benchmark for Speech Emotion Detection},
  journal={arXiv preprint arXiv:2506.09827},
  year={2025}
}
@dataset{masrispeech_full,
  author       = {Yahya Muhammad Alnwsany},
  title        = {MasriSpeech-Full: Large-Scale Egyptian Arabic Speech Corpus},
  year         = {2025},
  publisher    = {Hugging Face},
  url          = {https://huggingface.co/collections/NightPrince/masrispeech-dataset-68594e59e46fd12c723f1544}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Lfm2ForCausalLM
Ревизия весов
6b1bb0f

0 моделей