/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
977 млн
Лицензия
Apache 2.0
Архитектура
csm · dense
Базовая модель
csm-1b
Библиотека
transformers
Опубликована
3 июл 2025

csm-english-multi-speaker-v2

Синтез речиТекст → аудио3 профессии

Дообученная на данных Expresso и Jenny модель CSM синтезирует английскую речь и позволяет выбирать один из пяти голосов.

100скачиваний за 30 дней3лайкавеса обновлены13 июл 2025

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 «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест 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

onecxi/csm-english-multi-speaker-v2 — дообученная с помощью Unsloth модель синтеза речи на основе Sesame CSM 1B. Она преобразует английский текст в аудио и позволяет выбирать один из пяти голосов: четыре голоса из набора Expresso и женский голос из набора Jenny. Модель обучена на данных Expresso и Jenny и предназначена для многоголосой генерации английской речи.

Модель имеет плотную архитектуру CSM с классом CsmForConditionalGeneration, содержит 977,3 млн параметров, принимает текст и аудиоконтекст в пределах контекста 2048 токенов и выдаёт аудио. Репозиторий содержит веса Safetensors; модель распространяется по лицензии Apache-2.0. Карточка рекомендует исследовательское и учебное применение и запрещает клонирование голоса человека без его согласия, а также создание обманного или незаконного контента.

Сценарии применения

  • синтез английской речи из текста
  • озвучивание текста выбранным голосом
  • создание примеров речи с несколькими голосами
  • генерация английского аудио для учебных материалов

Ограничения

Модель рассчитана на английскую речь и предоставляет пять заданных голосов. Карточка запрещает использовать её для имитации реальных людей без их согласия и для обманного или незаконного контента.

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

CSM English Multi Speaker V2

This repository contains fine-tuned models of CSM-TTS with unsloth. You can find the fine-tuning notebook in unsloth/csm-1b repository. This model is trained using datasets which mentioned below.

Datasets

  1. Expresso dataset (available at https://huggingface.co/datasets/ylacombe/expresso): 4 speakers (2 female and 2 male)

  2. Jenny dataset (available at https://huggingface.co/datasets/reach-vb/jenny_tts_dataset): 1 female speaker

Models

  • csm-english-multi-speaker-v2: This is a multi-speaker model trained by combining both the Expresso and Jenny datasets.

Speakers

To control the generated speaker's voice during inference, use the following speaker_id values:

  • 0: expresso male speaker 1
  • 1: expresso female speaker 1
  • 2: expresso male speaker 2
  • 3: expresso female speaker 2
  • 4: jenny female speaker

Sample Examples

SpeakerTextSynthesized Audio
0They decided to take a short break from work and travel to the mountains.
0I think that movie had a very unexpected and thrilling ending.
0It's always a good idea to double-check your work before submitting it.
1They decided to take a short break from work and travel to the mountains.
1I think that movie had a very unexpected and thrilling ending.
1It's always a good idea to double-check your work before submitting it.
2They decided to take a short break from work and travel to the mountains.
2I think that movie had a very unexpected and thrilling ending.
2It's always a good idea to double-check your work before submitting it.
3They decided to take a short break from work and travel to the mountains.
3I think that movie had a very unexpected and thrilling ending.
3It's always a good idea to double-check your work before submitting it.
4They decided to take a short break from work and travel to the mountains.
4I think that movie had a very unexpected and thrilling ending.
4It's always a good idea to double-check your work before submitting it.

Inference

First, install the necessary libraries:

!pip install unsloth
!pip install transformers==4.52.3

Then, run inference with the following code-snippet:

from unsloth import FastModel
from transformers import CsmForConditionalGeneration
import torch
from IPython.display import Audio

model, processor = FastModel.from_pretrained(
    model_name = "onecxi/csm-english-multi-speaker-v2",
    max_seq_length= 2048, # Choose any for long context!
    dtype = None, # Leave as None for auto-detection
    auto_model = CsmForConditionalGeneration,
    load_in_4bit = False, # Select True for 4bit - reduces memory usage
)

text = "We just finished fine-tuning a text to speech model."
speaker_id = 0

inputs = processor(f"[{speaker_id}]{text}", add_special_tokens=True, return_tensors="pt").to("cuda")
audio_values = model.generate(
    **inputs,
    max_new_tokens=125, # 125 tokens is 10 seconds of audio, for longer speech increase this
    # play with these parameters to get the best results
    depth_decoder_temperature=0.6,
    depth_decoder_top_k=0,
    depth_decoder_top_p=0.9,
    temperature=0.8,
    top_k=50,
    top_p=1.0,
    #########################################################
    output_audio=True
)
audio = audio_values[0].to(torch.float32).cpu().numpy()

Audio(audio, rate=24000)

Disclaimer

This Text-to-Speech (TTS) model is intended solely for research and educational use. Any use of the model must comply with all applicable laws, regulations, and ethical standards. The unauthorized use of this model for impersonating real individuals without their explicit consent is strictly prohibited. Additionally, the model must not be used to create or distribute deceptive, misleading, or fraudulent content, including but not limited to fake news or scams. Any use of the model for illegal, harmful, or malicious purposes is expressly forbidden.

By using this model, you acknowledge and agree to these terms. The creators and distributors of the model disclaim any liability for misuse and do not support or condone unethical or unlawful applications.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
CsmForConditionalGeneration
Ревизия весов
9bcd64f

0 моделей