Humaneness Voice Large 1.7

LAION выпустила TTS-модель Humaneness Voice Large 1.7 с 4,13 млрд уникальных базовых параметров. Это полные merged-веса: для обычного инференса адаптер подключать не нужно. Модель генерирует английский, немецкий, французский, испанский и нидерландский, а отдельный кодек возвращает аудио 48 кГц mono.

Архитектура — иерархическая MOSS Local Transformer TTS: Qwen3-family semantic transformer и local Talker. Каждый 80-мс кадр даёт 12 индексов, по одному на codebook.

⚙ Ключевые особенности

• 🎨 Управляемая подача: 40 эмоций, 15 стилей речи и 18 классов vocal bursts в интерактивном мануале; инструкции задаются отдельно от произносимого текста.
• 🗣 Два входа: text — что именно произнести, prompt — как это сыграть, с паузами, таймингом и вокальными реакциями.
• 🎤 Референсный голос: чистый фрагмент одного говорящего от 5,04 с; helper обрезает его до 14,96 с перед кодированием.
• 🧑‍💻 CFG: 1 означает guidance off; 2.5 — настройка acting showcase, а не универсальный оптимум для всех условий.
• 🗂 В мануале 455 комбинаций target/language/condition; есть machine-readable recipes и agent guide.
• 🔐 Новые материалы — CC BY 4.0; MOSS Audio Tokenizer v2 сохраняет свои upstream-условия.

💻 Пример

Быстрый запуск из карточки:

hf download laion/Humaneness-Voice-Large-1.7 --local-dir humaneness-large17
cd humaneness-large17
pip install -r requirements.txt
python infer.py --language en --seconds 9.2 --seed 1701 --text 'I thought you had forgotten. You remembered every little detail. I am so glad you came back.' --prompt-file examples/prompt-en.txt --output example.wav

Подробнее

Бенчмарки выбора чекпойнта (108 задач EN/DE, один seed, без reference, CFG 1): Content Enjoyment 6.3334, Genuineness 4.2565, Vocal Burst Blend 7.7503, composite 0.63709; mean per-clip ASR WER 0.05787%.
Это development-выбор среди семи чекпойнтов, не независимое held-out подтверждение; оценки — предсказания модели, не human listening ratings.
Корневые веса FP32; штатный загрузчик использует BF16 weights and compute. VRAM в карточке не указана.
Референс направляет identity, но не гарантирует точное сохранение голоса. Не применяйте включённый adapter к merged root повторно.