/ Модель

Характеристики

Контекст
262 144 токена
Параметры
445 млн
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
gepard-1.0
Библиотека
gepard
Опубликована
10 июл 2026

Gepard-Slovenian-TTS

Генерация текстаТекст → текст3 профессии

LoRA-модель MediaAtlas синтезирует словенскую речь из текста с помощью авторегрессионной архитектуры Qwen3.5 и кодека NanoCodec.

109скачиваний за 30 дней3лайкавеса обновлены14 сен 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

Gepard Slovenian TTS — модель MediaAtlas для синтеза словенской речи. Это LoRA-дообучение nineninesix/gepard-1.0: авторегрессионной модели на архитектуре Qwen3.5, которая генерирует аудиотокены NVIDIA NanoCodec. В репозитории указано около 555 млн параметров у базовой модели, а метаданные для этой LoRA-модели указывают 445,1 млн параметров. Модель предназначена для озвучивания словенского текста; перед текстом требуется языковой префикс «sl: ». Она обучена на корпусе ARTUR с 80 тысячами записей примерно 1348 дикторов. Выходной звук — 22,05 кГц.

Модель корректно произносит словенские č, š и ž, а интонация может слегка меняться в зависимости от содержания и пунктуации. Качество пока не высшего уровня: возможны ошибки произношения, нестабильный темп и зависимость результата от параметров генерации. Лучше всего модель работает с короткими нейтральными фразами; явного управления эмоциями нет. Для использования нужны среда gepard-inference и декодер NeMo NanoCodec. Лицензия — Apache-2.0.

Сценарии применения

  • озвучивание коротких текстов на словенском языке
  • создание словенских голосовых реплик для диалоговых систем
  • генерация аудиоверсий словенских предложений
  • проверка произношения словенских букв č, š и ž

Ограничения

Качество не уровня готовой промышленной системы: возможны ошибки произношения и колебания темпа, особенно на редких или иностранных словах. Модель лучше подходит для коротких фраз, требует префикса «sl: » и настроек генерации из README; явного управления эмоциями нет.

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

Gepard Slovenian TTS (80k)

Trained by MediaAtlas — LLM fine-tuning on your own data, trained in the EU, weights delivered. Pricing · All our models

A LoRA fine-tune of nineninesix/gepard-1.0 — a ~555M autoregressive, Qwen3.5-backbone TTS that generates NVIDIA NanoCodec audio tokens — adapted to Slovenian on the ARTUR read-speech corpus.

Gepard is natively multilingual (EN/ES/PT/NL) and grapheme-based with a language-tag front-end, so Slovenian is added by fine-tuning on sl: <text> prompts — no phoneme front-end (the Qwen3.5 tokenizer handles č/š/ž cleanly and the multilingual base learns Slovenian grapheme-to-sound internally; using IPA would have discarded that multilingual transfer).

Honest quality note

The model speaks Slovenian with correct šumniki (č, š, ž) and its prosody is fairly natural (inherited from the multilingual base). Overall quality is not yet top-tier — this is a first scaled run (80k utterances, 5 epochs) on a single read-speech corpus. Expect occasional mispronunciations, variable pacing, and sensitivity to generation parameters. It is competitive on naturalness but a phoneme-based system can still be crisper on pure pronunciation.

Emotion: there is some content-driven emotional inflection — the multilingual base was pretrained on emotion-annotated speech (EmoNet-Voice), so emotionally-charged text and punctuation (questions, exclamations, sad/angry phrasing) nudge the prosody, in clean Slovenian with no foreign-accent leak. It is mild, not cinematic, and there is no explicit emotion-control input.

Samples

Generated with the settings below (cfg_scale=4.5, temperature=0.4, repetition_penalty=1.45).

StylePromptAudio
PronunciationSlovenščina je lep jezik s šumniki č, š in ž.
NeutralDanes je lep sončen dan in ptice pojejo na drevesih.
HappyKako čudovit dan, res sem srečen!
SadŽal mi je, vse je izgubljeno.
AngryDovolj mi je tega, takoj nehaj!
QuestionKaj se je zgodilo, kje si bil ves ta čas?
SurpriseNeverjetno, kako je to sploh mogoče?
WhisperTiho, nekdo prihaja, ne povej nikomur.

Generation settings (important)

Use these — they are the tuned sweet spot. Prefix every input with sl: (the language tag is caller-owned; the model was trained on it).

temperature = 0.4        # clear articulation
cfg_scale   = 4.5        # strong text guidance → audible č/š/ž (2.5–4.5 usable; too high = harsh)
cfg_frames  = 25         # onset-only guidance
repetition_penalty = 1.45 # REQUIRED — without it, cfg 4.0 occasionally fails to terminate (runaway)
repetition_window  = 32

Architecture / codec

  • Backbone: Qwen3_5ForCausalLM, 14 layers, hidden 1024, vocab 248320, ~555M params, bf16.
  • Codec: NVIDIA NeMo NanoCodec nvidia/nemo-nano-codec-22khz-1.89kbps-21.5fps — GroupFSQ, 8 layers, fsq_levels [8, 7, 6, 6], 21.5 frames/s, 22050 Hz output.
  • Language routing: transcripts prefixed "{lang}: {text}" before tokenization.

How it was made

  • Data: ARTUR Slovenian read speech. Clean multi-speaker selection (speakers with ≥ 25 utterances; drops single-clip pseudo-speakers), 80000 utterances across ~1348 speakers, 0.8–14 s, resampled to 22050 Hz.
  • Audio → tokens: fused NanoCodec encode (slice/resample/encode in one GPU pass).
  • Training: LoRA on the Qwen3.5 backbone (base frozen), 5 epochs, single GPU, via gepard-train (text_layout=repeat_ft, the short-register fix). Language tag sl, grapheme text (no G2P).

Usage

Run with the gepard-inference runner + the NeMo codec (needs nemo_toolkit[tts] for decoding):

import torch, soundfile as sf
from gepard_inference import GepardRunner, UnfoldedCodecModel   # gepard-inference package

dev = "cuda"
runner = GepardRunner.from_checkpoint("texdata/Gepard-Slovenian-TTS", device=dev)
codec  = UnfoldedCodecModel.from_pretrained("nvidia/nemo-nano-codec-22khz-1.89kbps-21.5fps").eval().to(dev)

tokens = runner.generate(
    "sl: Danes je lep sončen dan in ptice pojejo.",   # MUST prefix "sl: "
    temperature=0.4, cfg_scale=4.5, cfg_frames=25,
    repetition_penalty=1.45, repetition_window=32, max_frames=800,
)
codes = tokens.unsqueeze(0).to(dev)
clen  = torch.tensor([codes.shape[-1]], device=dev)
audio, alen = codec.decode_from_codes(codes, clen)
sf.write("out.wav", audio[0, : int(alen[0])].cpu().numpy(), 22050)

Limitations

  • Overall quality is a first-pass; not production-grade. Best on short, declarative sentences.
  • Grapheme-based: rare/foreign words and unusual stress may be mispronounced.
  • Trained only on ARTUR read speech → neutral prosody, no emotion/expressive control tuned yet.
  • Requires the generation settings above; low cfg_scale (< 1) is unstable, very high (≈ 9) gets harsh.

References

License

Apache-2.0 for the model weights (inherited from gepard-1.0). The NanoCodec used for decoding is under NVIDIA's Open Model License.

Citation

Cite this work (Tadej Fius, MediaAtlas Ltd):

@misc{fius2026gepard,
  title        = {Gepard Slovenian TTS},
  author       = {Fius, Tadej},
  year         = {2026},
  publisher    = {MediaAtlas Ltd},
  howpublished = {Hugging Face},
  url          = {https://huggingface.co/texdata/Gepard-Slovenian-TTS}
}

Upstream / source citations:

@misc{gepard, title={Gepard 1.0 (Qwen3.5-backbone TTS, NanoCodec)}, author={{nineninesix}}, url={https://huggingface.co/nineninesix/gepard-1.0}}
@misc{artur, title={ARTUR: Speech Database of Slovene}, author={{CLARIN.SI}}, url={http://hdl.handle.net/11356/1776}}

LoRA fine-tune of nineninesix/gepard-1.0 on the ARTUR read-speech corpus (CLARIN.SI).

Как запустить

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

GPU в ailist

Универсальный рантайм · gepard

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
cd76669

0 моделей