/ Модель

Характеристики

Размер весов
4,3 ГБ
Лицензия
Apache 2.0
Опубликована
16 авг 2026

cosyvoice3-multiaccent

Синтез речиТекст → аудио3 профессии

Дообученная на базе Fun-CosyVoice3-0.5B модель синтезирует китайскую речь с выбором одного из девяти акцентов.

225скачиваний за 30 дней0лайковвеса обновлены16 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

CosyVoice3 Multi-Accent — модель синтеза китайской речи, созданная на основе Fun-CosyVoice3-0.5B и дообученная на 135 тысячах китайских транскрипций с инструкциями об акценте. Она позволяет управлять акцентом при генерации речи: поддерживаются северный, сычуаньский, гуандунский, южный, хэнаньский, шанхайский, уханьский, тяньцзиньский и сингапурский варианты китайского произношения.

Репозиторий содержит компоненты для запуска CosyVoice, включая токенизатор, flow-модель, вокодер и компоненты ONNX; отдельная установка CosyVoice не требуется. Модель предназначена для озвучивания китайского текста с заданным акцентом. Качество акцента и сходство с голосом-образцом зависят от референсного голоса и объёма данных для соответствующего акцента; обучающая выборка несбалансирована, поэтому сгенерированную речь следует оценивать перед производственным использованием. Лицензия — Apache-2.0.

Сценарии применения

  • озвучивание китайского текста с северным акцентом
  • генерация речи на сычуаньском варианте китайского
  • озвучивание реплик с гуандунским или южным акцентом
  • создание синтетической речи с хэнаньским, шанхайским, уханьским или тяньцзиньским акцентом
  • синтез китайской речи с сингапурским акцентом

Ограничения

Выраженность акцента и сходство с голосом-образцом зависят от референсного голоса и объёма обучающих данных для конкретного акцента. Обучающая выборка несбалансирована; качество синтеза рекомендуется оценивать перед производственным использованием.

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

CosyVoice3 Multi-Accent

Instruction-controlled Chinese multi-accent TTS based on Fun-CosyVoice3-0.5B. The fine-tuned LLM supports nine accents:

north, Sichuan, Guangdong, south, Henan, Shanghai, Wuhan, Tianjin, and singapore.

The repository is self-contained: it includes the CosyVoice inference source, Matcha-TTS source, tokenizer, flow model, vocoder, ONNX components, and the fine-tuned llm.pt. A separate CosyVoice checkout is not required.

Install and run

git clone https://huggingface.co/walston/cosyvoice3-multiaccent
cd cosyvoice3-multiaccent
pip install -r requirements.txt
python inference.py \
  --text "今天的天气很好,我们一起去吃饭吧。" \
  --accent Sichuan \
  --output sichuan.wav

You can also download without Git LFS:

from huggingface_hub import snapshot_download

model_dir = snapshot_download("walston/cosyvoice3-multiaccent")

Then run inference.py from model_dir, or import the bundled CosyVoice code. CUDA is recommended. CPU inference is possible but slow.

Hugging Face Inference Endpoint

The repository includes handler.py, which implements a custom Endpoint handler. Request format:

{
  "inputs": "今天的天气很好,我们一起去吃饭吧。",
  "parameters": {
    "accent": "Sichuan",
    "speed": 1.0
  }
}

The response contains audio_base64, sample_rate, and accent. The bundled reference voice is used by default. Pass a WAV file as parameters.prompt_audio_base64 to select another reference voice.

Fine-tuning

Training used 135k original Chinese transcriptions with accent instructions. The published LLM is the average of the five checkpoints with the lowest validation loss (epochs 0 through 4). Training was stopped after epoch 31 when validation loss showed sustained overfitting.

Accent IDs used during training:

IDAccent
0north
1Sichuan
2Guangdong
3south
4Henan
5Shanghai
6Wuhan
7Tianjin
8singapore

Limitations

Accent strength and speaker similarity depend on the reference voice and the amount of training data available for each accent. The training distribution is imbalanced. Evaluate generated speech before production use.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
e6d541e

0 моделей