/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
omnivoice · dense
Базовая модель
OmniVoice
Опубликована
5 апр 2026

omnivoice-vietnamese

Синтез речиТекст → аудио3 профессии

Модель синтезирует вьетнамскую речь из текста и позволяет клонировать голос по короткому аудиообразцу.

1 196скачиваний за 30 дней25лайковвеса обновлены9 апр 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

splendor1811/omnivoice-vietnamese — это дообученная версия OmniVoice, разработанная для синтеза вьетнамской речи. Модель основана на архитектуре OmniVoice с языковой моделью диффузионного типа и backbone Qwen3-0.6B; для дообучения использован вьетнамский многоголосый корпус объёмом около 1 000 часов, включающий записи 152 дикторов с разными региональными акцентами.

Модель преобразует текст в речь и поддерживает клонирование голоса по короткому образцу. Она предназначена для озвучивания вьетнамского текста, создания голосовых интерфейсов и генерации речи с разными голосами и акцентами. В README приведены результаты измерений на NVIDIA L4: RTF около 0,07 и задержка до первого аудио около 210 мс для короткой фразы; эти показатели получены при указанной конфигурации запуска и не гарантируют аналогичную скорость на другом оборудовании.

Модель распространяется по лицензии Apache 2.0. Данные обучения имеют отдельную лицензию CC-BY-NC-SA-4.0. Карточка не описывает подробные ограничения качества и использования клонируемых голосов; заявленная специализация дообученной версии — вьетнамская речь.

Сценарии применения

  • озвучивание вьетнамских текстов
  • создание вьетнамской речи для голосового интерфейса
  • клонирование голоса по короткой записи на вьетнамском языке
  • генерация речи с региональными вьетнамскими акцентами

Ограничения

Версия дообучена для вьетнамской речи; качество на других языках в карточке не подтверждено. Скорость зависит от оборудования и конфигурации, а данные производительности приведены только для NVIDIA L4.

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 Vietnamese — Fine-tuned for Vietnamese Speech Synthesis

Fine-tuned version of OmniVoice on 1,000 hours of high-quality Vietnamese speech data, optimized for Vietnamese voice cloning and text-to-speech.

Training Details

ParameterValue
Base modelk2-fsa/OmniVoice (0.6B params)
ArchitectureDiffusion Language Model (non-autoregressive, iterative masked decoding)
Training steps8,000
Training time6 hours
HardwareNVIDIA H200 SXM (141 GB VRAM)
Output sample rate24,000 Hz

Dataset

Dolly-Audio: Vietnamese Multi-Speaker High-Quality Speech Corpus

PropertyValue
Duration~1,000 hours
Samples664,125
Speakers152 (multi-region, diverse accents)
LanguageVietnamese (100%)
Audio duration0.63 – 32.1 seconds per sample
QualityCleaned, noise-free, sentence-level boundary trimming
DomainsNews, entertainment, education, conversational
LicenseCC-BY-NC-SA-4.0 (research use only)

Installation

Step 1: Install PyTorch (NVIDIA GPU)

pip install torch==2.8.0+cu128 torchaudio==2.8.0+cu128 --extra-index-url https://download.pytorch.org/whl/cu128

Step 2: Install OmniVoice

pip install omnivoice

Usage

Python API

import torch
import torchaudio
from omnivoice import OmniVoice

# Load the Vietnamese fine-tuned model
model = OmniVoice.from_pretrained(
    "splendor1811/omnivoice-vietnamese",
    device_map="cuda:0",
    dtype=torch.float16,
)

# Zero-shot voice cloning
audio = model.generate(
    text="Xin chào, đây là mô hình tổng hợp giọng nói tiếng Việt.",
    language="vietnamese",
    ref_audio="reference.wav",
    ref_text="Transcript of the reference audio.",
)

torchaudio.save("output.wav", audio[0], 24000)

With Cached Voice Prompt (recommended for serving)

# Create voice prompt once (caches the encoded reference audio)
voice_prompt = model.create_voice_clone_prompt(
    ref_audio="reference.wav",
    ref_text="Transcript of the reference audio.",
)

# Reuse for multiple generations — no re-encoding cost
audio = model.generate(
    text="Em chào anh, em gọi từ tổng đài ngân hàng.",
    language="vietnamese",
    voice_clone_prompt=voice_prompt,
)

With torch.compile (recommended for production)

from omnivoice import OmniVoiceGenerationConfig

# Apply torch.compile for faster inference
torch.set_float32_matmul_precision("high")
model.llm = torch.compile(model.llm, mode="reduce-overhead", dynamic=True)

# Warmup (triggers compilation)
config = OmniVoiceGenerationConfig(num_step=8, guidance_scale=2.0)
for _ in range(3):
    model.generate(
        text="Xin chào.",
        language="vietnamese",
        voice_clone_prompt=voice_prompt,
        generation_config=config,
    )

# Production inference at num_step=8 for speed
audio = model.generate(
    text="Dạ chào anh, anh có cần hỗ trợ gì không ạ?",
    language="vietnamese",
    voice_clone_prompt=voice_prompt,
    generation_config=config,
)

Performance

Benchmarked on NVIDIA L4 GPU with num_step=8 and torch.compile(mode="reduce-overhead"):

MetricValue
RTF (Real-Time Factor)~0.07 (14x real-time)
TTFB (short sentence)~210 ms
P95 TTFB at CCU=4~1.26 s
Sample rate24,000 Hz

Base Model: OmniVoice

OmniVoice is a massively multilingual zero-shot TTS model supporting 600+ languages, built on a diffusion language model architecture with Qwen3-0.6B as the backbone.

Key features of the base model:

  • 600+ languages — broadest coverage among zero-shot TTS models
  • Voice cloning — state-of-the-art from short reference audio
  • Voice design — control via speaker attributes (gender, age, pitch, accent)
  • Non-verbal symbols — [laughter], [breath], etc.
  • Fast inference — RTF as low as 0.025 (40x real-time)

Citation

@article{zhu2026omnivoice,
  title={OmniVoice: Towards Omnilingual Zero-Shot Text-to-Speech with Diffusion Language Models},
  author={Zhu, Han and Ye, Lingxuan and Kang, Wei and Yao, Zengwei and Guo, Liyong and Kuang, Fangjun and Han, Zhifeng and Zhuang, Weiji and Lin, Long and Povey, Daniel},
  journal={arXiv preprint arXiv:2604.00688},
  year={2026}
}

@dataset{dolly_audio_2025,
  title={Dolly-Audio: Vietnamese Multi-Speaker High-Quality Speech Corpus},
  author={Nguyen, Vinh Huy and Nguyen, Dinh Thuan},
  year={2025},
  publisher={Dolly AI Team},
  howpublished={\url{https://huggingface.co/datasets/dolly-vn/dolly-audio-1000h-vietnamese}},
  note={Released under CC-BY-NC-SA-4.0. Research use only.}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура omnivoice неизвестна transformers в образе рантайма.

Класс архитектуры
OmniVoice
Ревизия весов
f70093f

0 моделей