/ Модель

Характеристики

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

kani-tts-450m-0.2-pt

Генерация текстаТекст → текст3 профессии

KaniTTS — компактная многоязычная модель преобразования текста в речь для разговорных ИИ-систем и приложений реального времени.

26скачиваний за 30 дней8лайковвеса 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 — модель синтеза речи, представленная в репозитории nineninesix/kani-tts-450m-0.2-pt. Она предназначена для генерации речи в разговорных ИИ-приложениях, голосовых помощниках, средствах доступности и языкового обучения. Модель построена на плотной архитектуре LFM2 с причинной языковой моделью и использует двухэтапный процесс: языковая модель генерирует сжатые аудиотокены, а нейрокодек синтезирует из них звуковую волну. В метаданных указано 460 млн параметров и контекст до 128 000 токенов; README приводит размер 450 млн параметров, частоту дискретизации 22 кГц и заявляет быстрый вывод для диалоговых сценариев.

Заявлена поддержка английского, немецкого, арабского, китайского, корейского, французского, японского и испанского языков. README сообщает о лицензии Apache 2.0, тогда как метаданные обозначают лицензию как other, поэтому условия использования стоит сверить с файлами лицензии репозитория. По карточке, качество выразительности без дополнительной настройки ограничено; качество может ухудшаться на длинных входах, также отмечена возможная передача смещений обучающих данных в просодию и произношение.

Сценарии применения

  • озвучивание ответов чат-бота и виртуального помощника
  • создание речи для экранного диктора
  • генерация учебных аудиоматериалов для изучения языков
  • синтез речи в диалоговом приложении с низкой задержкой
  • настройка синтеза под отдельный голос, акцент или эмоцию

Ограничения

README отмечает ухудшение качества при входах длиннее 2000 токенов, ограниченную выразительность без дообучения и возможное влияние смещений данных на просодию и произношение. Английский язык оптимизирован лучше остальных; лицензию следует сверить, поскольку README и метаданные расходятся.

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

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: 450M parameters
  • Sample Rate: 22kHz
  • Languages: English, German, Arabic, Chinese, Korean, French, Japanese, Spanish
  • License: Apache 2.0

Performance

Nvidia RTX 5080 Benchmarks:

  • Latency: ~1 second to generate 15 seconds of audio
  • Memory: 2GB GPU VRAM
  • Quality Metrics: MOS 4.3/5 (naturalness), WER <5% (accuracy)

Pretraining:

  • Dataset: ~80k hours from LibriTTS, Common Voice, and Emilia
  • Hardware: 8x H100 GPUs, 45 hours training time on Lambda AI

Audio 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 to 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?

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 2000 tokens
  • 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.

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
aae9d0c

0 моделей