/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Размер весов
9,4 ГБ
Лицензия
Apache 2.0
Архитектура
MGMTTS · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
17 авг 2025

MGM-Omni-TTS-4B

Генерация текстаТекст → текст3 профессии

MGM-Omni-TTS-4B — дообученная модель синтеза речи на основе Qwen3, предназначенная для длинной и потоковой генерации речи, в том числе с клонированием голоса на китайском и английском.

12скачиваний за 30 дней6лайковвеса обновлены17 авг 2025

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

MGM-Omni-TTS-4B — компонент SpeechLM семейства MGM-Omni, предназначенный для синтеза речи по тексту. В карточке модель описана как часть мультимодального ассистента MGM-Omni; сама эта версия отвечает за генерацию речи. Она основана на Qwen/Qwen3-4B-Instruct-2507 и дообучена. Метаданные указывают архитектуру MGMTTSForCausalLM, 3,7 млрд параметров, библиотеку Transformers и контекст до 262 144 токенов.

Модель рассчитана на генерацию длинной связной речи, потоковый синтез и клонирование голоса по короткому образцу примерно в 10 секунд. В описании заявлена поддержка китайского и английского языков. Для полного MGM-Omni также заявлены понимание речи, изображений и видео, но эти входные возможности относятся к мультимодальной системе и не подтверждены для компонента TTS отдельно.

Репозиторий содержит файлы safetensors и ONNX. Лицензия — Apache-2.0. Карточка заявляет возможность непрерывной генерации речи длительностью более 10 минут и потоковую выдачу, однако подробные ограничения и независимая оценка именно этого компонента не приведены.

Сценарии применения

  • озвучивание длинных текстов и историй
  • потоковая генерация речи для диалоговых приложений
  • клонирование голоса по короткой аудиозаписи
  • синтез речи на китайском языке
  • синтез речи на английском языке

Ограничения

Заявленные понимание речи, изображений и видео относятся к полной системе MGM-Omni и не подтверждены для этого компонента синтеза речи. README не приводит подробных ограничений или результатов независимой оценки именно MGM-Omni-TTS-4B.

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

MGM-Omni-TTS-4B

Github Blog Models Demo

Introduction

MGM-Omni is an omni-chatbot capable of processing text, image, video, and speech inputs, and generating both text and speech responses. MGM-Omni is capable of long-form speech understanding and generation, as well as zero-shot voice cloning in both Chinese and English. MGM-Omni-TTS-4B is the SpeechLM component of MGM-Omni for speech generation. For the MLLM part, please refer MGM-Omni.

Main Properties

  • Omni-modality supports: MGM-Omni supports audio, video, image, and text inputs, understands long contexts, and can generate both text and speech outputs, making it a truly versatile multi-modal AI assistant.
  • Long-form Speech Understanding: Unlike most existing open-source multi-modal models, which typically fail with inputs longer than 15 minutes, MGM-Omni can handle hour-long speech inputs while delivering superior overall and detailed understanding and performance!
  • Long-form Speech Generation: With a treasure trove of training data and smart Chunk-Based Decoding, MGM-Omni can generate over 10 minutes of smooth, natural speech for continuous storytelling.
  • Streaming Generation: Thanks to the parallel decoding approach for speech tokens, MGM-Omni enables efficient and smooth streaming audio, making it suitable for live conversations.
  • Zero-shot Voice Cloning: With MGM-Omni’s extensive and diverse audio training, you can create a customized voice clone by simply recording a short clip (around 10 seconds) and reviewing the results.
  • Fully Open-source: All the code, models, and training data will be released.

Evaluation

Speech and Audio Understanding

ModelDateLS-clean↓LS-other↓CM-EN↓CM-ZH↓AISHELL↓
Mini-Omni22024-114.79.4---
Lyra2024-122.04.0---
VITA-1.52025-013.47.5--2.2
Qwen2.5-Omni2025-031.63.57.65.2-
Ola2025-061.94.3---
MGM-Omni-7B2025-081.73.68.84.51.9
MGM-Omni-32B2025-081.53.28.04.01.8

This table presents WER and CER results on speech understanding. Here LS refers to LibriSpeech and CM refers to Common Voice.

ModelDateSpeech↑Sound↑Music↑Mix↑Average↑
LLaMA-Omni2024-085.25.34.34.04.7
Mini-Omni22024-113.63.52.63.13.2
IXC2.5-OmniLive2024-121.61.81.71.61.7
VITA-1.52025-014.85.54.92.94.5
Qwen2.5-Omni2025-036.85.74.85.45.7
Ola2025-067.36.45.96.06.4
MGM-Omni-7B2025-087.36.56.36.16.5
MGM-Omni-32B2025-087.16.56.26.26.5

This table presents evaluation results on AIR-Bench Chat (speech, sound, music, etc.).

Speech Generation

ModelDateModel SizeCER↓SS(ZH)↑WER↓SS(EN)↑
CosyVoice22024-120.5B1.450.7482.570.652
Qwen2.5-Omni-3B2025-030.5B1.580.7442.510.635
Qwen2.5-Omni-7B2025-032B1.420.7542.330.641
MOSS-TTSD-v02025-062B2.180.5942.460.476
HiggsAudio-v22025-076B1.660.7432.440.677
MGM-Omni2025-080.6B1.490.7492.540.670
MGM-Omni2025-082B1.380.7532.280.682
MGM-Omni2025-084B1.340.7562.220.684

This table presents evaluation results on speech generation on seed-tts-eval. For Qwen2.5-Omni, model size refers to the size of the talker.

Citation

If you find this repo useful for your research, we would appreciate it if you could cite our work:

@misc{wang2025mgmomni,
  title={MGM-Omni: An Open-source Omni Chatbot},
  author={Wang, Chengyao and Zhong, Zhisheng and Peng, Bohao and Yang, Senqiao and Liu, Yuqi and Yu, Bei and Jia, Jiaya},
  year={2025},
  howpublished={\url{https://mgm-omni.notion.site}},
  note={Notion Blog}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура MGMTTS неизвестна transformers в образе рантайма.

Класс архитектуры
MGMTTSForCausalLM
Ревизия весов
a1d137b

0 моделей