/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
ctrlspeech
Опубликована
9 авг 2026

CtrlSpeech

Синтез речиТекст → аудио

CtrlSpeech синтезирует выразительную английскую речь и позволяет отдельно управлять высотой тона, громкостью и длительностью фонем.

0скачиваний за 30 дней3лайкавеса обновлены9 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

CtrlSpeech — набор моделей синтеза речи, предназначенный для управляемого создания выразительной речи. В карточке представлены варианты на 692 млн и 150 млн параметров с управлением просодией, а также базовый вариант на 689 млн параметров без такого управления. Модели используют авторегрессионную архитектуру на основе Qwen; веса дообученного backbone включены в чекпойнт.

Модель поддерживает zero-shot синтез речи и редактирование высоты тона, громкости и длительности отдельных фонем с последующей пересинтезацией. Анализ выполняется на частоте 100 кадров в секунду для аудио 16 кГц. Для редактирования длительности и использования собственной записи требуются Montreal Forced Aligner и английские акустическая модель и словарь english_us_arpa. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Сценарии применения

  • синтез выразительной речи из текста
  • zero-shot создание речи с заданной просодией
  • редактирование высоты тона отдельных фонем
  • изменение громкости отдельных фонем
  • растягивание или сокращение произнесения отдельных слов

Ограничения

Для редактирования длительности и адаптации под собственную запись требуется Montreal Forced Aligner с английской моделью и словарём english_us_arpa. Лицензия CC BY-NC 4.0 не допускает коммерческого использования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CtrlSpeech

Checkpoints for CtrlSpeech — expressive speech synthesis with coarse-to-fine latent control. Code, CLI and interactive demo: https://github.com/zszheng147/CtrlSpeech

CtrlSpeech is a zero-shot TTS model you can steer after generating. It exposes the pitch contour, loudness contour and phoneme boundaries of any utterance, lets you edit one of them, and resynthesises following the edit while leaving the others alone. Prosody is conditioned per phoneme token, so a single word can be stretched while the rest of the sentence keeps its timing.

Contents

PathParamsProsody controlNotes
control-600m/692 Mpitch · loudness · durationDefault
control-150m/150 Mpitch · loudness · durationSmaller
base-600m/689 M—Ablation baseline, no control
base-150m/148 M—Ablation baseline, no control
svae/——SVAE (DAC + BigVGAN) 16 kHz codec, 40 Hz latents
shared/campplus.onnx——CAM++ speaker embedding
shared/vocab.json——Phoneme vocabulary (ARPAbet)

Each model folder holds model.safetensors, a training-free config.yaml, and the qwen_config.json describing the AR backbone architecture. The fine-tuned backbone weights are inside the checkpoint; no Qwen weights are redistributed and none are downloaded at load time.

Usage

pip install git+https://github.com/zszheng147/CtrlSpeech
from ctrlspeech import CtrlSpeech, shift_pitch_semitones

tts = CtrlSpeech.from_pretrained("control-600m")     # downloads on first use
baseline = tts.from_audio("clip.wav", "the transcript of that clip")
tts.regenerate(baseline, pitch=shift_pitch_semitones(baseline.gen_f0, 5)) \
   .save("higher.wav")

Duration editing and adopting your own recording require Montreal Forced Aligner with the english_us_arpa acoustic model and dictionary.

Control representation

Analysis runs at 100 frames/s (16 kHz, hop 160).

  • Pitch — 128 mel-spaced bins; bin 0 is unvoiced.
  • Loudness — 64 A-weighted dB bins, about 1.05 bins per dB.
  • Duration — per-phoneme frame counts, at most 191 frames (1.91 s) per phoneme; an edited timeline is capped at 2001 frames (20 s).

Как запустить

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

GPU в ailist

Универсальный рантайм · ctrlspeech

Нельзя запустить

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

Ревизия весов
3a6d508

0 моделей