/ Профессии
Универсальные способности и операции

I.9Аудио и музыка

В разделе собраны самостоятельные задачи, где AI помогает анализировать, очищать, преобразовывать и создавать звук и музыку. Для каждого пункта отдельно указаны механизм, входы, результат и способ проверки.

АудиоТекст
AI-задач
15
в этой профессии
Подходящих моделей
4 835
по типу задач и модальности
Категория
I. Универсальные способности
Основные типы
АудиоТекст

Рекомендованные модели

4 835 моделей
Загрузки
Лайки
Дата выхода
2 371–2 400 из 4 835
nmh19xx
mhtools-piper-voices

Репозиторий nmh19xx/mhtools-piper-voices содержит вьетнамские голоса для синтеза речи Piper, предназначенные для использования в приложении MHtools. Модель основана на архитектуре VITS и распространяется в формате ONNX; для каждого голоса требуются файлы `.onnx` и `.onnx.json`, которые приложение загружает в каталог `models/piper/` при выборе голоса. Модель преобразует текст на вьетнамском языке в речь и подходит для озвучивания текста в MHtools. Репозиторий распространяется по лицензии Apache-2.0. В README не приведены сведения о конкретных голосах, качестве синтеза или ограничениях по использованию; каталог голосов и способ загрузки зависят от приложения MHtools.

1.1K0июль 2026
textaudioapache-2.0hugging-face
facebook
mms-tts-agd

facebook/mms-tts-agd — модель синтеза речи на языке Agarabi (agd), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Agarabi. Модель использует архитектуру VITS: текстовый энкодер, потоковый модуль и декодер на основе свёрточных слоёв. Чекпойнт содержит 3,5 млн параметров и распространяется в форматах PyTorch и safetensors. Для каждого языка MMS обучает отдельный чекпойнт; стохастический предиктор длительности позволяет получать варианты ритма речи, поэтому для повторения результата нужен фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение. Модель рассчитана на Agarabi; качество синтеза может зависеть от текста и не охватывает другие языки.

990сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-agu

facebook/mms-tts-agu — модель синтеза речи на языке авакатеко (agu), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на авакатеко в речевую аудиоволну и подходит для озвучивания текста и создания голосовых сообщений на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт проекта MMS-TTS, доступный через библиотеку Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм речи; для повторения того же результата требуется фиксированное случайное зерно. Репозиторий распространяет веса в форматах PyTorch и Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

960сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-awb

facebook/mms-tts-awb — модель синтеза речи на языке ава (Awa, код awb), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и обучена отдельно для языка ава. В неё входят текстовый энкодер на основе Transformer, потоковый модуль, стохастический предсказатель длительности и декодер, формирующий аудиосигнал. Размер модели — 3,5 млн параметров. Для одинакового результата при повторной генерации требуется фиксировать seed. Модель подходит для озвучивания коротких текстов и создания речевых интерфейсов на языке ава. Карточка не сообщает о поддержке других языков или о длине контекста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

980сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-bcc-script_latin

facebook/mms-tts-bcc-script_latin — модель синтеза речи на южном белуджском языке, представленном латинским письмом. Она создана Meta в рамках проекта Massively Multilingual Speech (MMS); для каждого языка проекта обучается отдельный чекпойнт. Модель принимает текст и генерирует речевую аудиоволну. Это компактная модель VITS с 3,5 млн параметров, реализованная для PyTorch и доступная в формате safetensors. Архитектура объединяет вариационный автоэнкодер, потоковые слои, трансформерный текстовый энкодер и декодер, построенный по принципу HiFi-GAN. Стохастический предиктор длительности позволяет получать варианты произношения и ритма; для воспроизводимого результата требуется фиксировать seed. Модель предназначена для озвучивания текста на южном белуджском языке латинским письмом. Она распространяется по лицензии CC BY-NC 4.0, которая разрешает использование с указанием авторства, но запрещает коммерческое применение.

1020сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-boj

facebook/mms-tts-boj — модель синтеза речи для языка анджам (код boj), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на анджам в речевую аудиоволну и подходит для озвучивания фраз и коротких текстов на этом языке. Модель построена на архитектуре VITS: это сквозная система синтеза с вариационным автоэнкодером, потоковым модулем, текстовым энкодером на основе Transformer, декодером HiFi-GAN и стохастическим предсказателем длительности. В репозитории указаны 3,5 млн параметров; для работы доступна через Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерчески. Модель обучена отдельно для одного языка и не предназначена для синтеза на других языках. Генерация недетерминирована: для воспроизводимого результата требуется фиксировать seed. Карточка не приводит оценок качества или подробностей о голосе.

1020сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-dgr

facebook/mms-tts-dgr — модель синтеза речи на языке тличо (dgr), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на тличо в речевую аудиоволну и подходит для озвучивания фраз и создания речевого вывода для приложений на этом языке. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, вариационный автоэнкодер, flow-модуль, стохастический предсказатель длительности и декодер, подобный HiFi-GAN. В репозитории указано 3,5 млн параметров; отдельный VITS-чекпойнт обучен для каждого языка проекта. Генерация недетерминирована, поэтому для повторяемого результата требуется фиксировать seed. Модель доступна через Transformers версии 4.33 и новее и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

1000сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-dso

facebook/mms-tts-dso — модель синтеза речи на языке Desiya (dso), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на Desiya в речевую аудиоволну и подходит для озвучивания текстов и создания голосового вывода в приложениях. Это компактная модель VITS с 3,5 млн параметров, обученная отдельно для одного языка и работающая сквозным образом: текстовый энкодер, вероятностный модуль длительности и декодер формируют речь с возможностью варьировать ритм. Модель доступна через библиотеку Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Генерация недетерминирована: для повторяемого результата требуется фиксировать seed. Качество синтеза зависит от обучающих данных; карточка не приводит отдельной оценки качества.

4992сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-eip

facebook/mms-tts-eip — модель синтеза речи на языке Lik (код eip), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; библиотека Transformers поддерживает его начиная с версии 4.33. Генерация стохастическая: для воспроизводимого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

970сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-fao

facebook/mms-tts-fao — модель синтеза речи на фарерском языке из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевую аудиоволну и подходит для озвучивания фарерских текстов и приложений с голосовым выводом. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; для отдельных языков проекта обучаются отдельные контрольные точки. Она доступна через библиотеку Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и Safetensors. Стохастический предиктор длительности позволяет получать разные ритмические варианты произношения одного текста, поэтому результат может меняться между запусками; фиксированный seed нужен для воспроизводимого аудио. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но не для коммерческих целей.

950сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-gai

facebook/mms-tts-gai — модель синтеза речи для языка Mbore (gai), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на Mbore в речевую аудиоволну и подходит для озвучивания коротких текстов и создания голосовых интерфейсов на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, обученный для Mbore; синтез выполняется сквозным образом, а стохастический предиктор длительности позволяет варьировать ритм речи. Для использования предусмотрена библиотека Transformers версии 4.33 и новее. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Генерация недетерминирована: для воспроизводимого результата требуется фиксировать seed. Качество речи зависит от входного текста и обучающих данных для языка.

880сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-hay

Facebook MMS-TTS-Haya — модель синтеза речи на языке хая (hay) из проекта Massively Multilingual Speech. Она преобразует текст на хая в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода в приложениях на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS, доступный в библиотеке Transformers. Стохастический предиктор длительности позволяет варьировать ритм речи; для повторения того же результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не сообщает о поддержке других языков или дополнительных задачах.

1140сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-ifb

facebook/mms-tts-ifb — модель синтеза речи на языке Ifugao, Batad (ifb), разработанная Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текста и создания речевых данных для приложений на языке Ifugao, Batad. Модель построена на архитектуре VITS и обучена отдельно для этого языка. Это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем и декодером на основе HiFi-GAN; предсказатель длительности позволяет варьировать ритм произношения. В репозитории указаны 3,5 млн параметров, а для загрузки доступны веса PyTorch и Safetensors. Модель поддерживается библиотекой Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на Ifugao, Batad и не заявлена как многоязычная. Генерация недетерминирована: для получения одной и той же речевой волны требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

950сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-kbq

facebook/mms-tts-kbq — модель синтеза речи на языке Kamano (код kbq), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Kamano. Для каждого языка проекта обучается отдельный чекпойнт. Модель использует архитектуру VITS: энд-ту-энд вариационный автоэнкодер с текстовым энкодером на основе Transformer, flow-модулем, стохастическим предиктором длительности и декодером, построенным по типу HiFi-GAN. Размер модели — 3,5 млн параметров. Случайный предиктор длительности делает генерацию недетерминированной; фиксированный seed позволяет воспроизводить тот же результат. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не приводит оценки качества или сведения о дополнительных настройках голоса.

970сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-kfw

facebook/mms-tts-kfw — модель синтеза речи из текста для языка нага, кхарам (код kfw), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и предназначена для озвучивания текстов и создания голосовых интерфейсов. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для работы с ним подходит библиотека Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет варьировать ритм речи, поэтому при фиксированном входе результат может меняться; для повторяемой генерации требуется фиксированное случайное зерно. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Описание не приводит оценок качества или дополнительных сведений о тембре и диапазоне произношения.

880сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-kjg

facebook/mms-tts-kjg — модель синтеза речи на языке кхму (код kjg), разработанная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка из семейства MMS-TTS. Модель построена на архитектуре VITS и преобразует входной текст в речевую аудиоволну. Она обучается сквозным образом и включает текстовый энкодер на основе Transformer, flow-модуль, декодер в стиле HiFi-GAN и стохастический предсказатель длительности, который позволяет варьировать ритм речи. Веса представлены в форматах PyTorch и Safetensors; размер модели — 3,5 млн параметров. Для повторения одной и той же генерации требуется фиксировать seed. Модель предназначена для озвучивания текста на кхму, например для речевых интерфейсов и создания аудиоверсий коротких текстов. Она рассчитана на один язык и не является универсальным многоязычным синтезатором. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

1170сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-kpz

facebook/mms-tts-kpz — модель синтеза речи на языке купсапиини (Kupsapiiny, kpz) из проекта Massively Multilingual Speech компании Facebook. Она преобразует входной текст в речевой сигнал и предназначена для озвучивания текста на этом языке. Модель построена на архитектуре VITS: текстовый энкодер, потоковый модуль и декодер формируют аудиоволну; стохастический предсказатель длительности позволяет получать варианты с разным ритмом. Веса доступны в форматах PyTorch и safetensors, для работы подходит библиотека Transformers версии 4.33 и новее. Чекпойнт содержит 3,5 млн параметров и обучен отдельно для одного языка в рамках MMS-TTS. Генерация недетерминирована: для повторения того же результата нужен фиксированный seed. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески.

950сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-ksb

facebook/mms-tts-ksb — модель синтеза речи на языке шамбала (Shambala, ksb), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS: текстовый энкодер и потоковые слои формируют акустическое представление, а декодер на основе свёрточных слоёв синтезирует аудио. Предсказатель длительности позволяет варьировать ритм речи; из-за стохастической генерации для повторения результата нужен фиксированный seed. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors, в том числе через Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на одном языке и не является универсальным многоязычным чекпойнтом. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

980сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-kyb

facebook/mms-tts-kyb — модель синтеза речи на языке Kalinga, Butbut (kyb), разработанная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну; для каждого языка MMS обучается отдельный чекпойнт. Модель основана на архитектуре VITS — сквозном вариационном автоэнкодере с текстовым энкодером, flow-модулем, стохастическим предсказателем длительности и декодером в стиле HiFi-GAN. В метаданных указано 3,5 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается Transformers начиная с версии 4.33. Модель предназначена для озвучивания текста на Kalinga, Butbut, например для речевых интерфейсов и создания аудиоверсий текстов. Стохастический предсказатель длительности позволяет варьировать ритм речи, поэтому для воспроизводимого результата требуется фиксированное случайное зерно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

890сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-kyf

facebook/mms-tts-kyf — модель синтеза речи на языке Kouya (kyf), созданная командой Facebook в рамках проекта Massively Multilingual Speech. Она преобразует текст на Kouya в речевую аудиоволну и предназначена для озвучивания текстов и создания речевого вывода на этом языке. Модель основана на архитектуре VITS: это сквозная система синтеза речи с вариационным автоэнкодером, flow-модулем, декодером и стохастическим предсказателем длительности. Веса представлены в форматах PyTorch и safetensors; размер модели — 3,5 млн параметров. Для работы с checkpoint подходит библиотека Transformers версии 4.33 и новее. Модель обучена отдельно для Kouya и рассчитана на текстовый вход и аудиовыход. Генерация недетерминирована: для повторения того же результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

900сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-kyg

facebook/mms-tts-kyg — модель синтеза речи на языке кейагана (kyg), созданная Facebook в рамках проекта Massively Multilingual Speech (MMS). Она преобразует текст на кейагана в речевую аудиоволну и подходит для озвучивания коротких сообщений, объявлений и другого текста на этом языке. Модель использует архитектуру VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи с вероятностным предсказанием длительности, поэтому один и тот же текст может звучать по-разному; для повторяемого результата нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и новее, веса представлены в форматах PyTorch и safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель обучена отдельно для одного языка и не предназначена для синтеза речи на других языках.

900сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-maw

facebook/mms-tts-maw — модель синтеза речи на языке мампрули (maw), созданная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на мампрули в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS для сквозного синтеза речи: текстовый энкодер и flow-модуль формируют акустическое представление, а декодер на основе свёрточных слоёв создаёт аудиосигнал. Размер модели — 3,5 млн параметров. Для каждого языка MMS-TTS обучается отдельный чекпойнт; предсказатель длительности вносит вариативность в ритм речи, поэтому результат может меняться между запусками. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства в рамках некоммерческих условий.

1000сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-nhi

facebook/mms-tts-nhi — модель синтеза речи на языке науатль варианта Zacatlán-Ahuacatlán-Tepetzintla, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну; для разных языков проекта обучаются отдельные контрольные точки. Модель построена на архитектуре VITS и обучается сквозным образом. В её составе — текстовый энкодер на основе Transformer, потоковый модуль, декодер аудиосигнала и стохастический предсказатель длительности, благодаря которому один и тот же текст может звучать с разным ритмом. Размер модели — 3,5 млн параметров. Для использования доступна через Transformers версии 4.33 и новее. Модель предназначена для озвучивания текста на указанном варианте науатля. Генерация недетерминирована: для повторяемого результата требуется фиксировать seed. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

930сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-nhu

facebook/mms-tts-nhu — модель синтеза речи на языке Noone (nhu), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Для каждого языка проекта обучается отдельный чекпойнт. Модель использует архитектуру VITS: это сквозная система на основе вариационного автоэнкодера с текстовым энкодером, flow-модулем, предсказателем длительности и декодером, подобным HiFi-GAN. Стохастический предсказатель длительности позволяет варьировать ритм речи; результат генерации может меняться между запусками, поэтому для повторяемого вывода нужен фиксированный seed. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors; для работы с Transformers требуется версия 4.33 или новее. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

950сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-nst

facebook/mms-tts-nst — модель синтеза речи для языка Naga, Tangshang (код nst) из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на этом языке в речевую аудиоволну и подходит для озвучивания текстов и создания речи в приложениях для этого языкового сообщества. Модель основана на архитектуре VITS и обучена отдельно для этого языка. В архитектуру входят текстовый кодировщик на базе Transformer, flow-модуль, стохастический предсказатель длительности и декодер, формирующий аудиоволну. Размер модели — 3,5 млн параметров; она доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers версии 4.33 и новее. Генерация недетерминирована: для повторения результата требуется фиксированное начальное значение генератора случайных чисел. Модель предназначена для синтеза речи на Naga, Tangshang. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое; коммерческое применение лицензией не разрешено.

880сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-quh

facebook/mms-tts-quh — модель синтеза речи на южноболивийском кечуа (quh), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевой сигнал и подходит для озвучивания фраз и создания речи в приложениях. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров; для каждого языка MMS-TTS обучается отдельный чекпойнт. Репозиторий содержит веса PyTorch и Safetensors, модель доступна через Transformers версии 4.33 и новее. Стохастический предиктор длительности позволяет получать разные ритмические варианты одной и той же фразы, поэтому для воспроизводимого результата требуется фиксировать seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

1060сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-shn

facebook/mms-tts-shn — модель синтеза речи на языке шан из проекта Massively Multilingual Speech, разработанного Facebook. Она преобразует текст на шан в речевую аудиоволну и предназначена для озвучивания текста и создания речевого вывода на этом языке. Модель использует архитектуру VITS: это сквозной синтезатор с вариационным автоэнкодером, Transformer-энкодером текста, flow-модулем и декодером на основе свёрточных слоёв в стиле HiFi-GAN. Для предсказания длительности используется стохастический модуль, поэтому одинаковый текст может звучать по-разному; для воспроизводимого результата требуется фиксированный seed. В репозитории указано 3,5 млн параметров, веса представлены в форматах PyTorch и Safetensors, модель доступна через Transformers версии 4.33 и новее. Модель предназначена для синтеза речи на шан и не является многоязычным универсальным чекпойнтом: для языков MMS-TTS обучаются отдельные модели. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и некоммерческими ограничениями.

6305сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-tcs

facebook/mms-tts-tcs — модель синтеза речи на языке Torres Strait Creole (tcs), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на этом языке в речевую аудиоволну и подходит для озвучивания текстов и создания синтетической речи. Модель построена на архитектуре VITS: это сквозная система с вариационным автоэнкодером, поточным модулем, декодером HiFi-GAN и стохастическим предсказателем длительности, благодаря которому речь может звучать с разным ритмом. Размер модели — 3,5 млн параметров; доступна в форматах PyTorch и safetensors и поддерживается библиотекой Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Генерация недетерминирована: для повторения результата требуется фиксированный seed.

960сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-tew

facebook/mms-tts-tew — модель синтеза речи на языке тева (Tewa), разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на тева в речевую аудиоволну и предназначена для озвучивания текстов и создания речевых интерфейсов на этом языке. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для синтеза используется стохастический предиктор длительности, поэтому при одинаковом тексте речь может отличаться, а для повторяемого результата нужен фиксированный seed. Модель доступна через Transformers версии 4.33 и выше, веса представлены в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но не для коммерческих целей.

970сент. 2023
textaudiocc-by-nc-4.0hugging-face
facebook
mms-tts-tgp

facebook/mms-tts-tgp — модель синтеза речи на языке Tangoa (код tgp), разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она преобразует входной текст в речевую аудиоволну и предназначена для озвучивания текста на Tangoa. Модель использует архитектуру VITS: текстовый энкодер на основе Transformer, потоковые слои, стохастический предсказатель длительности и декодер, построенный по принципу HiFi-GAN. Размер модели — 3,5 млн параметров; для разных языков MMS обучает отдельные чекпойнты. Для повторяемого результата требуется фиксировать seed, поскольку генерация недетерминирована. Модель доступна через Transformers версии 4.33 и новее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

1380сент. 2023
textaudiocc-by-nc-4.0hugging-face

Задачи профессии

15 задач
139Классификация звуковых событий. — AI анализирует спектральные и временные признаки аудио и относит фрагменты к классам звуковых событий: речи, музыке, сигналам, ударам, шумам или другим заданным категориям. На выходе — метки с временными границами и уверенностью. Качество проверяют по размеченным записям, отдельно оценивая редкие классы, смешанные звуки и условия с сильным фоновым шумом.
140Обнаружение заданного звука в непрерывном аудиопотоке. — Механизм: AI сочетает обученные шаблоны с контрольными правилами, чтобы находить значимые случаи и не пропускать пограничные примеры. Предметная логика: работает одновременно со спектральной структурой, ритмом и временной динамикой сигнала. Исходные данные: аудиодорожки, аудиозаписи, отдельные дорожки, спектральные признаки и референсы. Формат результата: перечень объектов, событий или отклонений, относящихся к «Обнаружение заданного звука в непрерывном аудиопотоке», с локализацией, уверенностью и признаками срабатывания. Проверка: по полноте обнаружения, доле ложных срабатываний и качеству локализации на независимой выборке; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
141Определение источника и направления звука. — AI сопоставляет наблюдаемые признаки с критериями и устанавливает требуемое значение, состояние или вариант. Предметная логика: работает одновременно со спектральной структурой, ритмом и временной динамикой сигнала. К исходным данным относятся аудиодорожки, отдельные дорожки, спектральные признаки, референсы и музыкальные ограничения. Формат результата: установленное значение или вариант по задаче «Определение источника и направления звука» с оценкой уверенности и основаниями решения. Надёжность оценивают по точности относительно эталона, калибровке уверенности и разбору случаев, где источники расходятся; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
142Разделение смеси на голос, музыку и отдельные инструменты. — Для этой задачи система сравнивает объект с примерами и правилами классов, после чего назначает метку и выделяет сомнительные случаи. Предметная логика: моделирует фонетику, просодию и тембр, сохраняя естественность и разборчивость. Рабочие входы: текст, спектральные признаки, референсы, музыкальные ограничения и аудиозаписи. Формат результата: результат «Разделение смеси на голос, музыку и отдельные инструменты» в виде метки, класса, ранга или тематического слоя с уверенностью и объясняющими признаками. Критерии приёмки: по матрице ошибок, калибровке уверенности и отдельному анализу пограничных классов; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
143Удаление фонового шума и акустических артефактов. — Практическая реализация: AI переводит объект в новый формат или вид, контролируя потери информации и нежелательные артефакты. Входной контекст включает референсы, музыкальные ограничения, аудиозаписи и отдельные дорожки. Формат результата: преобразованный материал по задаче «Удаление фонового шума и акустических артефактов» с сохранённым содержанием и журналом значимых изменений. Ошибки выявляют сравнением смысла и структуры до и после преобразования, а также поиском потерянных элементов; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
144Восстановление повреждённой или неполной аудиозаписи. — Механизм: AI преобразует исходный материал по заданным правилам, сохраняя смысл, структуру и критически важные детали. Предметная логика: работает одновременно со спектральной структурой, ритмом и временной динамикой сигнала. Исходные данные: аудиодорожки, музыкальные ограничения, аудиозаписи, отдельные дорожки и спектральные признаки. Формат результата: преобразованный материал по задаче «Восстановление повреждённой или неполной аудиозаписи» с сохранённым содержанием и журналом значимых изменений. Проверка: сравнением смысла и структуры до и после преобразования, а также поиском потерянных элементов; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
145Автоматическое выравнивание громкости и динамического диапазона. — AI сначала определяет элементы, которые должны сохраниться, затем перестраивает форму представления и отмечает внесённые изменения. К исходным данным относятся аудиозаписи, отдельные дорожки, спектральные признаки и референсы. Формат результата: преобразованный материал по задаче «Автоматическое выравнивание громкости и динамического диапазона» с сохранённым содержанием и журналом значимых изменений. Надёжность оценивают сравнением смысла и структуры до и после преобразования, а также поиском потерянных элементов; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
146Генерация музыки по жанру, настроению, структуре и ограничениям. — Для этой задачи система генерирует черновой результат, согласованный с контекстом, форматом и стилевыми требованиями задачи. Предметная логика: работает одновременно со спектральной структурой, ритмом и временной динамикой сигнала. Рабочие входы: аудиодорожки, отдельные дорожки, спектральные признаки, референсы и музыкальные ограничения. Формат результата: редактируемый артефакт по задаче «Генерация музыки по жанру, настроению, структуре и ограничениям», согласованный с исходными фактами, форматом и ограничениями; тип артефакта — аудиоматериал. Критерии приёмки: по соответствию фактам, требованиям, формату и качеству последующей экспертной доработки; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
147Генерация звуковых эффектов по текстовому описанию. — Практическая реализация: AI создаёт новый артефакт по требованиям, исходным фактам и примерам, сохраняя возможность последующего редактирования. Предметная логика: работает одновременно со спектральной структурой, ритмом и временной динамикой сигнала. Входной контекст включает аудиодорожки, спектральные признаки, референсы, музыкальные ограничения и аудиозаписи. Формат результата: редактируемый артефакт по задаче «Генерация звуковых эффектов по текстовому описанию», согласованный с исходными фактами, форматом и ограничениями; тип артефакта — аудиоматериал. Ошибки выявляют по соответствию фактам, требованиям, формату и качеству последующей экспертной доработки; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
148Создание аранжировки для заданной мелодии. — Механизм: AI собирает содержание и структуру из заданных ограничений, затем формирует несколько вариантов для выбора и доработки. Предметная логика: работает одновременно со спектральной структурой, ритмом и временной динамикой сигнала. Исходные данные: аудиодорожки, референсы, музыкальные ограничения, аудиозаписи и отдельные дорожки. Формат результата: редактируемый артефакт по задаче «Создание аранжировки для заданной мелодии», согласованный с исходными фактами, форматом и ограничениями; тип артефакта — аудиоматериал. Проверка: по соответствию фактам, требованиям, формату и качеству последующей экспертной доработки; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
149Продолжение музыкального фрагмента в согласованном стиле. — AI генерирует черновой результат, согласованный с контекстом, форматом и стилевыми требованиями задачи. Предметная логика: работает одновременно со спектральной структурой, ритмом и временной динамикой сигнала. К исходным данным относятся аудиодорожки, музыкальные ограничения, аудиозаписи, отдельные дорожки и спектральные признаки. Формат результата: редактируемый артефакт по задаче «Продолжение музыкального фрагмента в согласованном стиле», согласованный с исходными фактами, форматом и ограничениями; тип артефакта — аудиоматериал. Надёжность оценивают по соответствию фактам, требованиям, формату и качеству последующей экспертной доработки; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
150Транскрибирование музыки в ноты или MIDI. — Для этой задачи система преобразует исходный материал по заданным правилам, сохраняя смысл, структуру и критически важные детали. Предметная логика: работает одновременно со спектральной структурой, ритмом и временной динамикой сигнала. Рабочие входы: аудиодорожки, аудиозаписи, отдельные дорожки, спектральные признаки и референсы. Формат результата: преобразованный материал по задаче «Транскрибирование музыки в ноты или MIDI» с сохранённым содержанием и журналом значимых изменений. Критерии приёмки: сравнением смысла и структуры до и после преобразования, а также поиском потерянных элементов; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
151Определение темпа, тональности, аккордов и структуры композиции. — Практическая реализация: AI объединяет несколько источников свидетельств и выбирает наиболее обоснованное определение с оценкой уверенности. Предметная логика: работает одновременно со спектральной структурой, ритмом и временной динамикой сигнала. Входной контекст включает аудиодорожки, отдельные дорожки, спектральные признаки, референсы и музыкальные ограничения. Формат результата: установленное значение или вариант по задаче «Определение темпа, тональности, аккордов и структуры композиции» с оценкой уверенности и основаниями решения. Ошибки выявляют по точности относительно эталона, калибровке уверенности и разбору случаев, где источники расходятся; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
152Сведение и предварительный мастеринг аудиоматериала. — Механизм: AI переводит объект в новый формат или вид, контролируя потери информации и нежелательные артефакты. Предметная логика: работает одновременно со спектральной структурой, ритмом и временной динамикой сигнала. Исходные данные: аудиодорожки, спектральные признаки, референсы, музыкальные ограничения и аудиозаписи. Формат результата: преобразованный материал по задаче «Сведение и предварительный мастеринг аудиоматериала» с сохранённым содержанием и журналом значимых изменений. Проверка: сравнением смысла и структуры до и после преобразования, а также поиском потерянных элементов; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче.
153Адаптация длительности музыки под видео без резкого обрыва. — AI строит профиль текущих потребностей и адаптирует содержание, порядок или параметры взаимодействия под конкретного человека. Предметная логика: работает одновременно со спектральной структурой, ритмом и временной динамикой сигнала. К исходным данным относятся аудиодорожки, референсы, музыкальные ограничения, аудиозаписи и отдельные дорожки. Формат результата: адаптированный вариант для «Адаптация длительности музыки под видео без резкого обрыва» с указанием контекста и факторов, определивших персонализацию. Надёжность оценивают по пользовательской обратной связи, долгосрочной полезности и отсутствию нежелательной дискриминации; прослушиванием, измерением качества сигнала, сохранением тембра и соответствием музыкальной задаче. <a id="section-i-10"></a>

0 моделей