/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
497 млн
Лицензия
Apache 2.0
Архитектура
arktts · dense
Базовая модель
Audio8-TTS-Preview-0.6b
Библиотека
transformers
Опубликована
3 авг 2026

audio8-tts-from-scratch

Генерация текстаТекст → текст3 профессии

Экспериментальная DualAR-модель, обученная с нуля для синтеза английской речи по тексту.

19скачиваний за 30 дней0лайковвеса обновлены3 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

weights-and-wires/audio8-tts-from-scratch — экспериментальная модель синтеза речи по тексту семейства DualAR, обученная авторами проекта с нуля на 440 фрагментах LibriSpeech общей длительностью 72,6 минуты и четырьмя дикторами. Медленная и быстрая авторегрессионные трансформерные части были случайно инициализированы и обучены на 280 шагах; замороженный нейрокодек взят из Audio8/Audio8-TTS-Preview-0.6b. В метаданных указаны архитектура Arktts, 497,4 млн параметров, контекст 2048 токенов, формат safetensors и библиотека Transformers.

Модель предназначена для экспериментального синтеза английской речи из текста. Обучалась только с шаблоном без референсного аудио, поэтому клонирование голоса не поддерживается. Авторы предупреждают, что модель недообучена и речь может быть частично неразборчивой; исходные записи LibriSpeech с частотой 16 кГц были повышены до 44,1 кГц, что ограничивает качество. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с синтезом английской речи из текста
  • проверка учебного конвейера обучения TTS-моделей
  • изучение авторегрессионной архитектуры DualAR для синтеза речи

Ограничения

Модель обучена лишь на 280 шагах и может генерировать частично неразборчивую речь; качество дополнительно ограничено повышением частоты исходного аудио с 16 до 44,1 кГц. Генерация с референсным аудио и клонирование голоса не поддерживаются.

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

weights-and-wires/audio8-tts-from-scratch

A DualAR text-to-speech language model trained from scratch on 440 clips (72.6 minutes) of LibriSpeech clean/train.100, 4 speaker(s).

⚠️ This is a training-pipeline experiment, not a production TTS model. The ~601 M-parameter transformer was randomly re-initialized and trained for 280 optimizer steps. Expect undertrained, partly unintelligible speech. LibriSpeech is 16 kHz upsampled to the codec's 44.1 kHz, which caps quality further.

What was trained vs. reused

ComponentStatus
Slow AR transformer (24 layers, dim 896)trained from random init
Fast AR transformer (4 layers)trained from random init
Neural codec (codec.pth, 10x4096 @ 44100 Hz)reused frozen from Audio8/Audio8-TTS-Preview-0.6b
Tokenizer / architecture configreused from the same checkpoint

Training configuration

SettingValue
epochs10
effective batch size16
learning rate0.0002 (cosine, 0.05 warmup)
weight decay / grad clip0.01 / 1.0
precisionfp32 weights + bf16 autocast
max sequence length2048
train / eval examples440 / 23
hardware1x NVIDIA A100-SXM4-40GB

Final metrics

MetricValue
final train slow_loss3.9706
final train fast_loss5.4779
final train slow_accuracy0.4759
final train fast_accuracy0.1876
final eval slow_loss7.6749
final eval fast_loss6.9021

Random-guess baselines for reference: slow_loss ln(vocab) = 11.96, fast_loss ln(4096) = 8.32.

Usage

import soundfile as sf, torch
from transformers import AutoModel, AutoProcessor

repo = "weights-and-wires/audio8-tts-from-scratch"
processor = AutoProcessor.from_pretrained(repo, trust_remote_code=True)
model = AutoModel.from_pretrained(repo, trust_remote_code=True, dtype=torch.bfloat16).eval().cuda()

inputs = processor(text=["Hello world."], return_tensors="pt")
inputs = {k: v.cuda() for k, v in inputs.items()}
out = model.generate(**inputs, max_new_tokens=512, temperature=0.8, top_p=0.95,
                     top_k=50, do_sample=True, return_dict_in_generate=True)
audio, lengths = model.decode_audio(out.codes)
sf.write("out.wav", audio[0, :int(lengths[0])].float().cpu().numpy(), 44100)

The model was trained on the no-reference prompt template only — pass text= alone; voice cloning via reference_audio= was never trained and will not work.

License

Apache-2.0, inherited from the base checkpoint. LibriSpeech is CC-BY-4.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ArkttsModel
Ревизия весов
2dcd447

0 моделей