/ Модель

Характеристики

Контекст
8 192 токена
Параметры
670 млн
Архитектура
llama · dense
Базовая модель
sarashina2.2-0.5b-instruct-v0.1
Опубликована
16 апр 2026

sarashina2.2-tts

Генерация текстаТекст → текст3 профессии

Японско-английская модель SB Intuitions для естественного синтеза речи и генерации голоса по короткому аудиофрагменту.

2 402скачиваний за 30 дней74лайкавеса обновлены1 июл 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

Sarashina2.2-TTS — японско-английская система синтеза речи на основе большой языковой модели, разработанная SB Intuitions. Модель преобразует текст в речь и поддерживает генерацию голоса без дообучения по короткому аудиофрагменту-образцу, перенося тембр и манеру речи говорящего.

Модель ориентирована прежде всего на японский язык, также синтезирует английскую речь и смешанные японско-английские фразы. Она рассчитана на озвучивание повествования, вещания, разговорной речи и клиентского обслуживания; архитектура основана на Llama, содержит около 670 млн параметров и поддерживает контекст до 8192 токенов. В метаданных указана базовая модель sbintuitions/sarashina2.2-0.5b-instruct-v0.1, на которой выполнено дообучение.

Разработчик заявляет о высокой точности японского произношения, естественности, стабильности и переносе голоса между японским и английским. Для генерации с заданным голосом требуется аудиофрагмент-образец. Модель обучалась на лицензированных и иным образом законно полученных аудиоданных. Лицензия в предоставленных данных не указана.

Сценарии применения

  • озвучивание японских текстов голосом диктора
  • синтез английской речи с сохранением заданного голоса
  • клонирование голоса по короткому аудиофрагменту
  • создание разговорной озвучки для клиентского обслуживания
  • озвучивание смешанных японско-английских фраз

Ограничения

Для переноса голоса нужен короткий аудиофрагмент говорящего. В предоставленных сведениях не указана лицензия модели.

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

Sarashina2.2-TTS

GitHub Demo Arxiv

Sarashina2.2-TTS is a Japanese-centric text-to-speech system built on a large language model, developed by SB Intuitions. It supports Japanese and English, delivering high pronunciation accuracy, naturalness, and stability across diverse speaking styles, with zero-shot voice generation support.

Highlights

  • 🇯🇵 Japanese-Centric: Designed and optimized specifically for Japanese, with broad coverage of real-world use cases.
  • 🎯 High Accuracy: Delivers strong pronunciation accuracy on Japanese text through large-scale end-to-end training.
  • 🔒 Responsibly Sourced Training Data: Trained exclusively on legitimately acquired and properly licensed speech data.
  • 🎙️ Zero-shot Voice Generation: Reproduces a speaker's voice, speaking style, and acoustic characteristics from a short reference clip.
  • 🔊 Natural & Expressive: Produces highly natural speech with consistent quality, supporting a wide range of speaking styles including narration, broadcast, conversation, and customer service.
  • 🌐 Bilingual: Supports both Japanese and English text-to-speech synthesis.

Training Data

This model was trained on audio data collected from legitimately purchased audio sources, public speech archives, and data gathered in compliance with applicable domestic laws. During collection, we adhered to robots.txt directives and terms of service to ensure proper data acquisition.

Usage

For installation instructions, Docker setup, and detailed usage, please refer to the GitHub repository.

Audio Samples

The samples below demonstrate key capabilities of Sarashina2.2-TTS:

  • Speaking Style Variety: Transfers diverse speaking styles — narration, broadcast, conversation, customer service, and more — from reference audio.
  • Zero-shot Voice Cloning: Reproduces a speaker's voice from just a few seconds of reference speech, with no fine-tuning required.
  • Cross-lingual Generation: Preserves speaker identity and speaking style consistently across Japanese and English.
  • Code Switching: Handles mixed Japanese-English sentences naturally within a single utterance.

Quick Sample

Speaking Style Variety

Zero-shot Voice Generation

Cross-lingual Zero-shot

Code Switching

Acknowledgments

This model is built upon or incorporates code and models from the following open-source projects:

Citation

@misc{liu2026sarashina22ttstacklingkanjipolyphony,
      title={Sarashina2.2-TTS: Tackling Kanji Polyphony in Japanese Speech Generation via Data Scaling and Targeted Data Synthesis}, 
      author={Lianbo Liu and Shiao Zhu and Kai Washizaki and Reo Yoneyama and Haesung Jeon and Mengjie Zhao and Yusuke Fujita and Hao Shi and Nao Yoshida and Yuan Gao and Roman Koshkin and Yukiya Hono and Yui Sudo},
      year={2026},
      eprint={2606.25369},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2606.25369}, 
}

License

This model is licensed under Sarashina Model NonCommercial License Agreement.

If you are interested in using this model for commercial purposes, please feel free to contact us through our contact page.

The audio provided on this page are for research purposes only and may not be redistributed or used for commercial purposes.

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
8d30bd5

0 моделей