/ Модель

Характеристики

Размер весов
2,1 ГБ
Лицензия
Своя лицензия
Базовая модель
XTTS-v2
Библиотека
coqui
Опубликована
19 янв 2026

XTTS-v2

Синтез речиТекст → аудио3 профессии

XTTS-v2 синтезирует речь на 17 языках и клонирует голос по короткому аудиофрагменту.

1 116скачиваний за 30 дней13лайковвеса обновлены24 янв 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

XTTS-v2 — модель синтеза речи Coqui, дообученная на базе coqui/XTTS-v2. Она создаёт многоязычную речь по тексту и позволяет клонировать голос по аудиофрагменту длительностью около 6 секунд, в том числе переносить голос на другой язык. Модель поддерживает 17 языков, выдаёт аудио с частотой дискретизации 24 кГц и допускает использование нескольких голосовых образцов для интерполяции между голосами.

Модель подходит для озвучивания текстов, многоязычной генерации речи и переноса эмоционального стиля и манеры речи из образца. В карточке указаны улучшения стабильности, просодии и качества аудио относительно XTTS-v1. Репозиторий использует формат PyTorch и библиотеку Coqui; лицензия обозначена как other, поэтому перед использованием следует проверить её условия в карточке модели.

Сценарии применения

  • озвучивание текста на поддерживаемых языках
  • клонирование голоса по короткой аудиозаписи
  • озвучивание текста клонированным голосом на другом языке
  • генерация речи с переносом стиля и эмоций из образца
  • смешивание характеристик нескольких голосовых образцов

Ограничения

Качество и устойчивость клонирования зависят от голосового образца; в карточке не приводятся количественные оценки качества. Лицензия указана как other, поэтому условия использования нужно сверить в репозитории.

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

XTTS

XTTS is a Voice generation model that lets you clone voices into different languages by using just a quick 6-second audio clip. There is no need for an excessive amount of training data that spans countless hours.

Paper: https://arxiv.org/abs/2406.04904

Features

  • Supports 17 languages.
  • Voice cloning with just a 6-second audio clip.
  • Emotion and style transfer by cloning.
  • Cross-language voice cloning.
  • Multi-lingual speech generation.
  • 24khz sampling rate.

Updates over XTTS-v1

  • 2 new languages; Hungarian and Korean
  • Architectural improvements for speaker conditioning.
  • Enables the use of multiple speaker references and interpolation between speakers.
  • Stability improvements.
  • Better prosody and audio quality across the board.

Languages

XTTS-v2 supports 17 languages: English (en), Spanish (es), French (fr), German (de), Italian (it), Portuguese (pt), Polish (pl), Turkish (tr), Russian (ru), Dutch (nl), Czech (cs), Arabic (ar), Chinese (zh-cn), Japanese (ja), Hungarian (hu), Korean (ko) Hindi (hi).

Code

The code-base supports inference and fine-tuning.

🐸💬 CoquiTTSGitHub
💼 DocumentationReadTheDocs
👩‍💻 QuestionsGitHub Discussions
🗯 CommunityDiscord

License

This model is licensed under Coqui Public Model License. There's a lot that goes into a license for generative models, and you can read more of the origin story of CPML here.

Contact

Come and join in our 🐸Community, we're active on Discord.

Using 🐸TTS API:

from TTS.api import TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")

# Generate speech by cloning a voice using default settings
tts.tts_to_file(
  text="It took me quite a long time to develop a voice, and now that I have it I'm not going to be silent.",
  file_path="output.wav",
  speaker_wav="/path/to/target/speaker.wav",
  language="en"
)

Using 🐸TTS Command line:

tts --model_name tts_models/multilingual/multi-dataset/xtts_v2 \
    --text "Bugün okula gitmek istemiyorum." \
    --speaker_wav /path/to/target/speaker.wav \
    --language_idx tr \
    --use_cuda true

Using the model directly:

from TTS.tts.configs.xtts_config import XttsConfig
from TTS.tts.models.xtts import Xtts

config = XttsConfig()
config.load_json("/path/to/xtts/config.json")
model = Xtts.init_from_config(config)
model.load_checkpoint(config, checkpoint_dir="/path/to/xtts/", eval=True)
model.cuda()

outputs = model.synthesize(
    "It took me quite a long time to develop a voice and now that I have it I am not going to be silent.",
    config,
    speaker_wav="/data/TTS-public/_refclips/3.wav",
    gpt_cond_len=3,
    language="en",
)

Как запустить

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

GPU в ailist

Универсальный рантайм · coqui

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
345b56f

0 моделей