/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,3 млрд
Размер весов
6,6 ГБ
Лицензия
Своя лицензия
Архитектура
llama · dense
Опубликована
3 авг 2026

orpheus-telugu-female-qlora-v1

Генерация текстаТекст → текст3 профессии

QLoRA-модель Orpheus на базе Llama для синтеза речи женским голосом на телугу.

11скачиваний за 30 дней0лайковвеса обновлены4 авг 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

Orpheus Telugu Female (QLoRA v1) — модель синтеза речи на телугу, дообученная разработчиком карточки на базе Orpheus. Она использует плотную причинную языковую модель LlamaForCausalLM размером 3,3 млрд параметров и голосовой префикс telugu_female. Модель принимает текст в формате «telugu_female: текст» и генерирует SNAC-аудиотокены, которые декодируются вокодером SNAC в монофонический звук PCM с частотой 24 кГц. Контекст модели — 131 072 токена.

Модель предназначена для озвучивания текста женским голосом на телугу. При обучении применялся QLoRA: базовые веса в 4-битном формате NF4, вычисления bf16, ранг адаптера 64; обучающий набор включал около 48 часов речи с эталонными транскрипциями. По описанию, идентичность голоса проверялась измерением частоты основного тона. Модель не принимает аудио и не поддерживает клонирование голоса по образцу. Сгенерированная речь может быть тихой и требовать нормализации уровня. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Сценарии применения

  • озвучивание текста на телугу женским голосом
  • создание голосовых реплик для приложений на телугу
  • генерация аудиоверсий сообщений и объявлений на телугу

Ограничения

Модель не принимает аудио и не поддерживает клонирование голоса; для декодирования аудиотокенов нужен вокодер SNAC. Выход может быть тихим и потребовать нормализации уровня.

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

Orpheus Telugu Female (QLoRA v1)

A Telugu text-to-speech voice, finetuned from Orpheus. Voice prefix: telugu_female.

Eval loss 3.1809, matching the male run's 3.1779. Trained on 19,859 clips (~48 h), of which only 4 were dropped -- the benefit of a corpus with ground-truth transcripts rather than ASR labels.

Measured median F0 of generated speech: 218.5 Hz, against the male model's 136.9 Hz with no overlap between the two sets. Voice identity was verified by measurement rather than assumed, because a generic prefix on an earlier Tamil model silently drifted toward the wrong gender.

See also the matching male voice and the GGUF build.

Model details

Basecanopylabs/3b-hi-pretrain-research_release (Orpheus, Llama-3.2-3B backbone)
MethodQLoRA (4-bit nf4 base, bf16 compute), r=64 alpha=128, attention + MLP; embeddings frozen
Schedule2 epochs, lr 2e-4 cosine, batch 1 x grad-accum 16
Hardwareone 16 GB RTX 5060 Ti, trained locally
CorpusSYSPIN Telugu (arpit-tiwari/syspin-telugu-tts) -- studio read speech with ground-truth transcripts

How it works

Orpheus emits SNAC audio-codec tokens which a SNAC vocoder decodes to 24 kHz mono PCM. Prompt format is {voice}: {text}; the voice is a literal text prefix learned at training time, so this model has no zero-shot cloning and takes no audio input.

Audio token layout: control tokens 128257-128262, audio offset 128266, 7 tokens per frame each offset by (position_in_frame 0-6) * 4096.

Inference

Recommended sampling: temperature=0.3, repetition_penalty=1.3. Output is quiet (peaks ~0.2-0.4) -- peak-normalise or level it downstream.

Licence and provenance

Derived from the SYSPIN Telugu corpus. The mirror this was trained from does not declare a licence; anyone intending commercial use should confirm terms with the upstream corpus holders (IISc SPIRE Lab / Bhashini) rather than relying on this repo.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
294d6cb

0 моделей