/ 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
19 окт 2025

kani-tts-400m-ky

Генерация текстаТекст → текст3 профессии

KaniTTS Kyrgyz — дообученная модель для быстрого синтеза кыргызской речи из текста в разговорных и вспомогательных приложениях.

80скачиваний за 30 дней5лайковвеса 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 Kyrgyz — текст-в-речь-модель для синтеза речи на кыргызском языке, разработанная авторами проекта KaniTTS. Она предназначена для разговорных ИИ-приложений, виртуальных помощников, экранных читалок и приложений для изучения языка, где важны низкая задержка и быстрое создание речи. В README описана двухэтапная схема: LLM формирует сжатые аудиотокены, а нейросетевой аудиокодек синтезирует из них звуковую волну. Метаданные указывают архитектуру LFM2 с причинной языковой моделью, библиотеку Transformers и 460 млн параметров; README сообщает частоту дискретизации 22 кГц. Контекст модели составляет 128 000 токенов по метаданным, однако карточка рекомендует обрабатывать речь длиннее 15 секунд скользящими окнами. README приводит замеры скорости на нескольких видеокартах, включая работу быстрее реального времени на RTX 5090 и RTX 4080, и отмечает поддержку эмоциональных тегов, использовавшихся при дообучении.

Модель является дообучением nineninesix/kani-tts-400m-0.3-pt и принимает текст, выдавая аудио. README указывает лицензию Apache 2.0, тогда как метаданные содержат обозначение other; условия распространения следует сверять с файлами лицензии репозитория. Карточка содержит противоречивое замечание об оптимизации преимущественно для английского, хотя модель названа кыргызской и для неё указано обучение на кыргызских примерах. Также отмечены ограниченная выразительность без дополнительной настройки эмоций и возможное наследование смещений обучающих данных в произношении и просодии.

Сценарии применения

  • озвучивание ответов кыргызскоязычного чат-бота
  • синтез речи для виртуального помощника
  • чтение кыргызских текстов экранной читалкой
  • озвучивание учебных материалов для изучения кыргызского языка
  • генерация речи с управлением эмоциональной подачей

Ограничения

Для аудио длиннее 15 секунд рекомендуется скользящая обработка; без специальной настройки эмоциональная выразительность ограничена. README также предупреждает о возможных смещениях обучающих данных в произношении и просодии и содержит противоречивое замечание об оптимизации для английского.

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 Kyrgyz

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: Kyrgyz
  • License: Apache 2.0

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.

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-ky')

# Generate audio from text
audio, text = model("Салам, менин атым Акылай. Бүгүн силерге кандай жардам бере алам?")

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

Working with Multi-Speaker Models

This model support multiple speakers. You can check if your model supports speakers and select a specific voice:

from kani_tts import KaniTTS

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

# 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("Салам, менин атым Акылай. Бүгүн силерге кандай жардам бере алам?", speaker_id="elina")

Custom Configuration

from kani_tts import KaniTTS

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

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

Datasets

Voices:

  • syimyk
  • elina

Audio Examples

TextAudio
Салам, менин атым Каныкей! Кантип жардам бере алам силерге?
Ысык-Көлдүн жээгинде күн батканда, асман көгүлтүр алтынга айланат — көз жоосун алган сулуулук!
Тоолорду карачы, канчалык бийик болсо да, кыргыздын руху андан да бийик!
Бишкек бүгүн кандай сонун, ээ? – Ооба, шамал да жумшак, асман да ачык!
Ой, бозо менен самсанын жыты чыгып кетти, ачка болуп кеттим го!

Emotion Control Tags

During fine-tuning, the dataset included special emotional control tokens such as

<laughs>
<giggles>
<sighs>

These tags help the model adjust tone, rhythm, and expressive style during speech synthesis.

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}
}

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
1ea3837

0 моделей