/ Модель

Характеристики

Опубликована
2 окт 2026

LGTM

Синтез речиТекст → аудио

LGTM-TTS — многоязычная модель синтеза речи с десятью встроенными голосами и клонированием голоса по короткому аудиообразцу.

125скачиваний за 30 дней8лайковвеса обновлены2 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

LGTM-TTS — многоязычная модель синтеза речи, созданная разработчиком, указанным в карточке как Claude Opus 5.5. Она преобразует текст в речь с частотой дискретизации 44,1 кГц, предлагает 10 встроенных голосов и поддерживает клонирование голоса по образцу чистой речи длительностью 5–15 секунд. Доступны реализации на PyTorch и ONNX; для запуска ONNX Runtime не требуется PyTorch.

Модель предназначена для озвучивания текста на английском, испанском, португальском, французском, немецком, итальянском, шведском, вьетнамском, японском, корейском и индонезийском языках. Встроенные голоса разделены на пять женских и пять мужских. Клонированный голос можно использовать для синтеза на любом из поддерживаемых языков. В репозитории представлены веса safetensors и графы ONNX для компонентов синтеза и кодирования голоса.

В README не указаны размер модели, длина контекста и лицензия, поэтому условия использования по имеющимся данным определить нельзя. Качество клонирования зависит от чистоты и достаточной длительности образца речи; сравнительные оценки качества в предоставленных материалах отсутствуют.

Сценарии применения

  • озвучивание текстов на 11 поддерживаемых языках
  • создание голосовой версии уведомлений и напоминаний
  • синтез реплик выбранным встроенным женским или мужским голосом
  • озвучивание текста клонированным голосом по образцу речи
  • локальный синтез речи через ONNX Runtime

Ограничения

Для клонирования требуется 5–15 секунд чистой речи. В предоставленных материалах нет сравнительных оценок качества и сведений о лицензии.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LGTM-TTS

LGTM (Looks Good To Me) is a text-to-speech model built by Claude Opus 5.5. Claude wrote the modeling code, collected and processed the training data, designed and ran the experiments, and trained and evaluated the model.

Multilingual text-to-speech at 44.1 kHz with 10 built-in voices and zero-shot voice cloning. Available in PyTorch and ONNX (ONNX Runtime needs no PyTorch).

Languages: English en, Spanish es, Portuguese pt, French fr, German de, Italian it, Swedish sv, Vietnamese vi, Japanese ja, Korean ko, Indonesian id

Built-in voices: F1 F2 F3 F4 F5 (female), M1 M2 M3 M4 M5 (male)

Samples

All 10 built-in voices across the 11 languages (44.1 kHz).

LanguageVoiceTextAudio
EnglishF1The quick brown fox jumps over the lazy dog, then naps in the warm afternoon sun.
EnglishM2Could you remind me to call my sister tomorrow morning? I keep forgetting.
SpanishF2Hoy hace un día precioso. ¿Te apetece dar un paseo por el parque?
SpanishM1La biblioteca municipal abre a las nueve y cierra a las ocho de la tarde.
PortugueseF3Que bom te ver de novo! Vamos tomar um café e conversar um pouco?
PortugueseM3O comboio para Lisboa parte daqui a vinte minutos, não se atrase.
FrenchF4Bonjour à tous, et bienvenue dans cette nouvelle émission consacrée à la science.
FrenchM4Je pense qu'il va pleuvoir ce soir, n'oublie pas ton parapluie.
GermanF5Guten Morgen! Hast du gut geschlafen? Heute wird ein langer, aber schöner Tag.
GermanM5Die Bahn hat leider zwanzig Minuten Verspätung, wir sollten ein Taxi nehmen.
ItalianF1Che bella giornata! Andiamo a prendere un gelato in piazza?
ItalianM2Il museo resterà chiuso per lavori fino alla fine del mese prossimo.
SwedishF2Hej! Vill du följa med och fika på det nya kaféet vid torget?
SwedishM1Tåget mot Göteborg är tyvärr försenat på grund av ett signalfel.
VietnameseF3Xin chào các bạn, hôm nay trời thật đẹp, chúng ta cùng đi dạo công viên nhé!
VietnameseM3Cuốn sách này kể về hành trình của một cậu bé đi tìm ước mơ của mình.
JapaneseF4こんにちは。今日はとても良い天気ですね。一緒に散歩に行きませんか?
JapaneseM4駅までの道を教えていただけますか?初めてこの町に来ました。
KoreanF5안녕하세요! 오늘 날씨가 정말 좋네요. 같이 산책하러 갈까요?
KoreanM5이번 주말에는 가족들과 함께 바닷가에 놀러 갈 예정이에요.
IndonesianF1Selamat pagi semuanya! Hari ini cuacanya cerah sekali, ayo kita jalan-jalan.
IndonesianM2Kereta menuju Bandung akan berangkat sepuluh menit lagi dari peron tiga.

Setup

git clone https://huggingface.co/polyskill/LGTM
cd LGTM
pip install -r requirements.txt          # PyTorch backend
pip install -r requirements-onnx.txt     # ONNX backend

PyTorch

from lgtm import LGTMTTS

tts = LGTMTTS.from_pretrained(".")            # or "polyskill/LGTM" to download
wav = tts.synthesize("Xin chào, hôm nay trời đẹp quá!", lang="vi", voice="F1")
tts.save_wav(wav, "out.wav")                   # 44.1 kHz mono

ONNX Runtime

from lgtm import LGTMOnnx

tts = LGTMOnnx.from_pretrained(".", use_gpu=False)   # use_gpu=True with onnxruntime-gpu
wav = tts.synthesize("Bonjour à tous, comment allez-vous ?", lang="fr", voice="M1")
tts.save_wav(wav, "out.wav")

Voice cloning

Give 5-15 seconds of clean speech; the voice can then speak any supported language.

voice = tts.clone_voice("reference.wav")      # works with both backends
wav = tts.synthesize("This is my cloned voice.", lang="en", voice=voice)

from lgtm import save_voice_style              # ONNX: from lgtm.onnx_inference import save_voice_style
save_voice_style("my_voice.json", voice)       # reuse later: voice="my_voice.json"

Command line

python -m lgtm.cli --text "Hej! Hur mår du idag?" --lang sv --voice F2 --out out.wav
python -m lgtm.cli --text "안녕하세요" --lang ko --ref reference.wav --save_voice my_voice.json --out out.wav
python -m lgtm.cli --text "Selamat pagi" --lang id --voice M3 --backend onnx --out out.wav

Options

argumentdefault
lang"en"language code (see above)
voice"F1"preset name, path to a voice .json, or clone_voice() output
steps8denoising steps (fewer = faster, e.g. 5)
speed1.05speaking rate (higher = faster)
silence0.3seconds of silence between sentences (long text is split automatically)

Files

pathcontents
pytorch/model.safetensorsall weights (synthesis + voice cloning)
onnx/text_encoder.onnx, duration_predictor.onnx, vector_estimator.onnx, vocoder.onnxsynthesis graphs
onnx/voice_encoder.onnxreference audio → voice style (cloning)
voice_styles/*.jsonbuilt-in voices
config.json, unicode_indexer.jsonmodel config, text vocabulary
lgtm/inference code (inference.py PyTorch, onnx_inference.py ONNX, cli.py)

ONNX graph I/O (for custom runtimes)

graphinputsoutputs
text_encodertext_ids int64 [B,T], style_ttl [B,50,256], text_mask [B,1,T]text_emb [B,256,T]
duration_predictortext_ids, style_dp [B,8,16], text_maskduration [B] (seconds)
vector_estimatornoisy_latent [B,144,L], text_emb, style_ttl, latent_mask [B,1,L], text_mask, current_step [B], total_step [B]denoised_latent [B,144,L]
vocoderlatent [B,144,L]wav [B, 3072·L]
voice_encoderwav [1,N] (44.1 kHz)style_ttl [1,50,256], style_dp [1,8,16]

Sampling loop: L = ceil(duration·44100 / 3072), start from Gaussian noise masked by latent_mask, call vector_estimator for current_step = 0 … total_step-1, then vocoder. See lgtm/onnx_inference.py.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
f8be218

0 моделей