/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
OmniVoice
Библиотека
transformers
Опубликована
24 июн 2026

omnivoice-bg

Синтез речиТекст → аудио3 профессии

OmniVoice-BG дообучает OmniVoice для естественного синтеза болгарской речи, в частности озвучивания аудиокнижного текста.

57скачиваний за 30 дней4лайкавеса обновлены25 июн 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

OmniVoice-BG — модель синтеза болгарской речи, разработанная автором репозитория preslaff и дообученная на аудиокнижной речи из набора raditotev/bg-audiobooks-tts. Она предназначена для озвучивания болгарского текста с более естественным, близким к речи носителей произношением, чем у базовой OmniVoice. Модель можно использовать как замену весов OmniVoice при синтезе речи; для исправления лексического ударения и постоянства голоса нужны отдельные компоненты системы OmniVoice-BG, работающие при обслуживании запросов.

Архитектура OmniVoice использует диффузионное предсказание codec-токенов Higgs Audio V2; базовый backbone — Qwen3-0.6B. Выход — монофоническая речь с частотой 24 кГц. Опубликованы веса safetensors в формате float32. Модель распространяется по лицензии Apache-2.0. README сообщает о выборе чекпойнта с наилучшей валидационной потерей и подтверждении качества сравнительным прослушиванием, но не приводит количественных оценок качества синтеза.

Сценарии применения

  • озвучивание болгарских аудиокниг
  • синтез естественной болгарской речи из текста
  • создание болгарской закадровой озвучки
  • генерация речевых материалов на болгарском языке

Ограничения

Веса сами по себе не исправляют лексическое ударение и не обеспечивают постоянство голоса между клипами: для этого нужны отдельные компоненты OmniVoice-BG при обслуживании модели. Количественные метрики качества синтеза в карточке не приведены.

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

OmniVoice-BG

A Bulgarian text-to-speech model, fine-tuned from k2-fsa/OmniVoice on Bulgarian audiobook narration. It produces natural, native-sounding Bulgarian speech, removing the foreign accent that stock OmniVoice has on Bulgarian.

This is the fine-tuned model weights only. It is one of three orthogonal pillars of the full OmniVoice-BG system — the other two (a lexical stress front-end and deterministic fixed-voice cloning) live in the OmniVoice-BG codebase and are applied at serving time, not baked into the weights. For correctly-stressed, consistent narration you want all three together.

Why it exists

Stock OmniVoice can speak Bulgarian (it is among its 600+ languages), but for narration three things were wrong out of the box:

  1. A non-native "foreign" accent on the synthesized Bulgarian. → fixed by this fine-tuned model
  2. Wrong lexical stress (e.g. БУтона instead of буТОна). → fixed by the stress front-end (serving-side)
  3. A different voice every clip (voice design is non-deterministic). → fixed by deterministic fixed-voice cloning (serving-side)

Model details

  • Architecture: OmniVoice — a diffusion/mask-prediction language model that predicts Higgs Audio V2 codec tokens (8 codebooks @ 24 kHz). Backbone is Qwen/Qwen3-0.6B.
  • Base model: k2-fsa/OmniVoice (Apache-2.0)
  • Fine-tuned on: raditotev/bg-audiobooks-tts (Bulgarian audiobook narration)
  • Sample rate: 24 kHz mono
  • Size: ~2.3 GB (model.safetensors, float32)

Training configuration

SettingValue
init fromk2-fsa/OmniVoice
steps3000
learning rate1e-5, cosine, 3% warmup
batchbatch_tokens=1024, grad_accum=8
precisionbf16 mixed
attentionSDPA
weight decay0.01
seed42

Tuned to fine-tune on a single 16 GB GPU. See BG_FINETUNE_PLAN.md in the repo for the full pipeline (data prep → tokenize → train → A/B checkpoint selection).

Training metrics

Full TensorBoard logs are in tensorboard/ (rendered in the Metrics tab). Run summary over 3000 steps / 11 epochs:

  • train/loss: 4.44 (step 25) → 3.99 (step 3000), min 3.88
  • eval/loss: 4.07 (step 250) → 3.87 (step 2750, best) → 3.96 (step 3000)
  • grad_norm: stable ~2.0–2.5 throughout; throughput: ~1.3 steps/sec

The released weights are the step-2750 checkpoint — the lowest validation loss, selected by eval loss and confirmed by A/B listening (eval_bg_ab.py).

eval step250500100012501750225027503000
eval/loss4.074.134.073.923.943.953.873.96

Usage

Install the package and run inference with this model as a drop-in replacement for stock OmniVoice:

pip install omnivoice

omnivoice-infer \
    --model preslaff/omnivoice-bg \
    --text "Натиснете бутона, за да започнете." \
    --ref_audio narrator.wav \
    --output out.wav

Or from Python:

from omnivoice import OmniVoice

model = OmniVoice.from_pretrained("preslaff/omnivoice-bg", train=False)
wav = model.generate(
    text="Натиснете бутона, за да започнете.",
    ref_audio="narrator.wav",   # fixed reference voice for consistent cloning
)

For best results, mark Bulgarian lexical stress before passing text to the model (combining vowel + U+0301), and use a fixed reference clip with seeded greedy decoding. The OmniVoice-BG server (omnivoice/cli/serve.py) does both automatically.

License & attribution

Apache-2.0. This is a derivative of OmniVoice by k2-fsa, also Apache-2.0. The base model and architecture are © Xiaomi Corp. Fine-tuned for Bulgarian narration as part of the TrainGen project.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
6516dca

0 моделей