/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
460 млн
Лицензия
Своя лицензия
Архитектура
lfm2 · dense
Базовая модель
kani-tts-450m-0.1-pt
Библиотека
transformers
Опубликована
16 сен 2025

kani-tts-450m-0.1-ft

Генерация текстаТекст → текст3 профессии

KaniTTS 450M 0.1 FT — дообученная модель преобразования текста в естественную речь с низкой задержкой.

26скачиваний за 30 дней7лайковвеса 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 450M 0.1 FT — дообученная модель синтеза речи от nineninesix на базе KaniTTS 450M 0.1 PT. Она использует двухэтапную архитектуру: языковая модель LFM2 генерирует сжатое представление аудио, которое NanoCodec преобразует в звуковую волну. В репозитории указаны 460 млн параметров, формат safetensors и контекст 128 000 токенов.

Модель предназначена для преобразования текста в речь, в том числе для голосовых интерфейсов, чат-ботов, приложений доступности и развёртывания с низкой задержкой. Основной язык обучения — английский; карточка также заявляет поддержку английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. README сообщает о генерации аудио с частотой 22 кГц и приводит оценку естественности MOS 4,3/5.

Лицензия в метаданных указана как other, а README заявляет Apache 2.0 и перечисляет ограничения на запрещённое и вводящее в заблуждение использование; лицензионные условия следует сверить с файлами репозитория. К заявленным ограничениям относятся ухудшение качества на длинных входах свыше 2000 токенов, редких языках и акцентах, базовое управление эмоциями и возможные смещения произношения и просодии из обучающих данных.

Сценарии применения

  • озвучивание ответов чат-бота и голосового помощника
  • синтез речи для экранного диктора и средств доступности
  • генерация реплик для голосовых приложений и агентных систем
  • озвучивание учебных материалов для изучения языков

Ограничения

Качество может снижаться на длинных текстах свыше 2000 токенов, редких языках и акцентах; управление эмоциями ограничено. Возможны смещения произношения и просодии, унаследованные от обучающих данных; лицензия в метаданных и README указана по-разному.

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 Finetuned

Text-to-Speech (TTS) model designed for high-speed, high-fidelity audio generation.

KaniTTS is built on a novel architecture that combines a powerful language model with a highly efficient audio codec, enabling it to deliver exceptional performance for real-time applications.

Model Details

KaniTTS operates on a two-stage pipeline, leveraging a large foundation model for token generation and a compact, efficient codec for waveform synthesis.

The two-stage design of KaniTTS provides a significant advantage in terms of speed and efficiency. The backbone LLM generates a compressed token representation, which is then rapidly expanded into an audio waveform by the NanoCodec. This architecture bypasses the computational overhead associated with generating waveforms directly from large-scale language models, resulting in extremely low latency.

Features

This model trained primarily on English for robust core capabilities and the tokenizer supports these languages: English, Arabic, Chinese, French, German, Japanese, Korean, and Spanish.

The base model can be continually pretrained on the multilingual dataset producing high-fidelity audio at sample rates 22kHz.

This model powers voice interactions in the modern agentic systems, enabling seamless, human-like conversations.

  • Model Size: 450M parameters (pretrained version)
  • License: Apache 2.0

Examples

TextAudio
I do believe Marsellus Wallace, MY husband, YOUR boss, told you to take me out and do WHATEVER I WANTED.
What do we say the the god of death? Not today!
What do you call a lawyer with an IQ of 60? Your honor
You mean, let me understand this cause, you know maybe it's me, it's a little fucked up maybe, but I'm funny how, I mean funny like I'm a clown, I amuse you? I make you laugh, I'm here to fucking amuse you?

Sources

Recommended Uses

  • Conversational AI: Integrate into chatbots, virtual assistants, or voice-enabled apps for real-time speech output.
  • Edge and Server Deployment: Optimized for low-latency inference on edge devices or affordable servers, enabling scalable, resource-efficient voice applications.
  • Accessibility Tools: Support screen readers or language learning apps with expressive prosody.
  • Research: Fine-tune for domain-specific voices (e.g., accents, emotions) or benchmark against other TTS systems.

Limitations

  • Performance may vary with finetuned variants, long inputs ( > 2000 tokens) or rare languages/accents.
  • Emotion control is basic; advanced expressivity requires fine-tuning.
  • Trained on public datasets; may inherit biases in prosody or pronunciation from training data.

Training Data

  • Dataset: Curated from LibriTTS, Common Voice and Emilia (~50k hours).
  • Pretrained mostly on English speech for robust core capabilities, with multilingual fine-tuning for supported languages.
  • Metrics: MOS (Mean Opinion Score) 4.3/5 for naturalness; WER (Word Error Rate) < 5% on benchmark texts.
  • Hardware: Pretrained on 8x H200 over 8 hours.

Inference on Nvidia RTX 5080:

  • Latency: < 1s to generate 15 seconds of audio
  • Memory Usage: 2GB GPU VRAM

This performance makes KaniTTS suitable for real-time conversational AI applications and low-latency voice synthesis.

Tips & Tricks

  • Language Optimization: For the best results in non-English languages, continually pretrain this model on datasets from your desired language set to improve prosody, accents, and pronunciation accuracy. Additionally, finetune NanoCodec for desired set of languages.
  • Batch Processing: For high-throughput applications, process texts in batches of 8-16 to leverage parallel computation, reducing per-sample latency.
  • Blackwell GPU Optimization: This model runs efficiently on NVIDIA's Blackwell architecture GPUs for faster inference and reduced latency in real-time applications.

Credits

Responsible Use and Prohibited Activities

The model is designed for ethical and responsible use. The following activities are strictly prohibited:

  • The model may not be used for any illegal purposes or to create content that is harmful, threatening, defamatory, or obscene. This includes, but is not limited to, the generation of hate speech, harassment, or incitement of violence.
  • You may not use the model to generate or disseminate false or misleading information. This includes creating deceptive audio content that impersonates individuals without their consent or misrepresents facts.
  • The model is not to be used for any malicious activities, such as spamming, phishing, or the creation of content intended to deceive or defraud.

By using this model, you agree to abide by these restrictions and all applicable laws and regulations.

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.

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
5d92055

0 моделей