/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
460 млн
Лицензия
Своя лицензия
Архитектура
lfm2 · dense
Базовая модель
kani-tts-400m-0.3-pt
Библиотека
transformers
Опубликована
25 окт 2025

kani-tts-400m-ko

Генерация текстаТекст → текст3 профессии

KaniTTS Korean — дообученная модель LFM2 для быстрого преобразования корейского текста в речь.

39скачиваний за 30 дней6лайковвеса 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 Korean — модель синтеза речи, разработанная авторами проекта KaniTTS. Она преобразует корейский текст в аудио и предназначена для разговорных помощников, чат-ботов, экранных дикторов и приложений для изучения языка. Модель построена на LFM2 и использует двухэтапную схему: языковая модель генерирует сжатые аудиотокены, затем нейрокодек синтезирует звуковую волну. В репозитории указано 460 млн параметров, контекст — 128 000 токенов, частота аудио — 22 кГц; метаданные указывают корейский язык. В тестах авторов на GPU RTX 5090 скорость составляла около пяти раз быстрее реального времени.

Модель дообучена на nineninesix/kani-tts-400m-0.3-pt. README сообщает о лицензии Apache 2.0, тогда как метаданные Hugging Face обозначают лицензию как other, поэтому лицензионные условия следует сверить с файлами репозитория перед использованием. По данным README, качество снижается на входах длиннее 15 секунд, выразительность ограничена без дополнительной настройки, а просодия и произношение могут отражать смещения обучающих данных.

Сценарии применения

  • озвучивание ответов чат-бота на корейском языке
  • синтез речи для голосового помощника
  • создание корейской озвучки для экранного диктора
  • озвучивание учебных материалов для изучающих корейский
  • генерация речи в приложениях с диалоговым интерфейсом

Ограничения

Качество снижается при входах длиннее 15 секунд; для длинных фрагментов README рекомендует разбиение на окна. Выразительность без дообучения ограничена, а произношение и просодия могут наследовать смещения обучающих данных.

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 Korean

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: Korean
  • 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-ko')

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

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

Custom Configuration

from kani_tts import KaniTTS

model = KaniTTS(
    'nineninesix/kani-tts-400m-ko',
    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-ko')
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

Lower RTF is better (< 1.0 means faster than real-time). Benchmarks conducted on Vast AI.

Voices Datasets

Audio Examples

TextAudio
이런 날씨엔 따뜻한 커피 한 잔이 딱이야!
이 느낌... 왠지 처음이 아닌 것 같아.
조용한 밤에 혼자 있으니까 마음이 좀 이상해.

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

Kyubyong Park, KSS Dataset: Korean Single speaker Speech Dataset, https://kaggle.com/bryanpark/korean-single-speaker-speech-dataset, 2018

@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}
}

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
44ec73b

0 моделей