/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Архитектура
flow_matching_with_bigvgan · dense
Базовая модель
SylReg-Decoder-Base
Библиотека
transformers
Опубликована
3 фев 2026

SylReg-Decoder

Синтез речиТекст → аудио3 профессии

SylReg-Decoder — дообученная англоязычная модель, преобразующая текст в речь с помощью flow matching, диффузионного трансформера и BigVGAN-v2.

24скачиваний за 30 дней0лайковвеса обновлены28 авг 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

SylReg-Decoder — англоязычная модель синтеза речи, представленная в статье Speaker-Disentangled Chunk-Wise Regression for Syllabic Tokenization. Это дообученный вариант SylReg-Decoder Base, построенный на диффузионном трансформере с flow matching и вокодером BigVGAN-v2. Модель принимает текст и генерирует речь; в метаданных Hugging Face для неё указана задача text-to-speech и библиотека Transformers.

Модель предназначена для преобразования английского текста в речь. В README указаны обучающие наборы LibriTTS-R и Hi-Fi-CAPTAIN. Для использования весов требуется соблюдать лицензию CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует распространять производные материалы на тех же условиях.

Сценарии применения

  • синтез английской речи по тексту
  • озвучивание английских фраз и предложений
  • создание речевого аудио для демонстрационных проектов

Ограничения

Лицензия CC BY-NC-SA 4.0 не допускает коммерческое использование и требует распространять производные работы на тех же условиях. В README не приведены количественные оценки качества или подробные ограничения применения.

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

SylReg-Decoder

This repository contains the decoder model presented in the paper Speaker-Disentangled Chunk-Wise Regression for Syllabic Tokenization.

Model Details

Model Description

  • Model type: Flow-matching-based Diffusion Transformer (DiT) with BigVGAN-v2
  • Language(s) (NLP): English
  • License: CC BY-NC-SA 4.0
  • Finetuned from model: SylReg-Decoder Base

Model Sources

How to Get Started with the Model

Use the code below to get started with the model.

git clone https://github.com/ryota-komatsu/speaker_disentangled_hubert.git
cd speaker_disentangled_hubert

sudo apt install git-lfs  # for UTMOS

conda create -y -n py310 -c pytorch -c conda-forge python=3.10 pip=24.0 setuptools=81.0.0 faiss-gpu=1.13.2 uv sox cuda-toolkit
conda activate py310
export UV_PROJECT_ENVIRONMENT=$CONDA_PREFIX
uv pip install -r requirements/requirements.txt

sh scripts/setup.sh
import re

import torch
import torchaudio
from datasets import Audio, load_dataset
from transformers import AutoModelForCausalLM, AutoTokenizer

from src.flow_matching import FlowMatchingWithBigVGan
from src.s5hubert.models.sylreg import SylRegForSyllableDiscovery

# download pretrained models from hugging face hub
encoder = SylRegForSyllableDiscovery.from_pretrained("ryota-komatsu/SylReg-Distill", device_map="cuda")
decoder = FlowMatchingWithBigVGan.from_pretrained("ryota-komatsu/SylReg-Decoder", device_map="cuda")

# load a waveform
dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
dataset = dataset.cast_column("audio", Audio(sampling_rate=16000))
dataset = dataset.with_format("torch")
input_values = dataset[3]["audio"]["array"].unsqueeze(0)  # (1, T)

# encode a waveform into syllabic units
outputs = encoder(input_values.to(encoder.device))
units = outputs[0]["units"]  # [3950, 67, ..., 503]

# unit-to-speech synthesis
generated_speech = decoder(units.unsqueeze(0)).waveform.cpu()

torchaudio.save("input.wav", input_values, 16000)
torchaudio.save("output.wav", generated_speech, 16000)

Training Details

Training Data

LicenseProvider
LibriTTS-RCC BY 4.0Y. Koizumi et al.
Hi-Fi-CAPTAINCC BY-NC-SA 4.0T. Okamoto et al.

Training Hyperparameters

  • Training regime: fp16 mixed precision

Hardware

2 x A6000

Citation

@article{Komatsu_SylReg_2026,
  author    = {Komatsu, Ryota and Kawakita, Kota and Okamoto, Takuma and Shinozaki, Takahiro},
  title     = {Speaker-Disentangled Chunk-Wise Regression for Syllabic Tokenization},
  year      = {2026},
  volume    = {7},
  journal   = {IEEE Open Journal of Signal Processing},
  pages     = {800--808},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура flow_matching_with_bigvgan неизвестна transformers в образе рантайма.

Класс архитектуры
FlowMatchingWithBigVGan
Ревизия весов
81c64ba

0 моделей