VoxCPM2 distilled indicF5

Это дистиллированная TTS-модель VoxCPM2 на 2,29 млрд параметров, обученная на синтетическом телугу от sw-voice/indicF5-best. С 8 ноября 2026 года она обслуживает production voice B для языков te, kn, ta, ml, mr, gu, de и ru; hi, en и ja остаются на прежнем production-голосе.

✨ Ключевые особенности

• 🌍 Поддерживает телугу, каннада, тамильский, малаялам, маратхи, гуджарати, немецкий и русский.
• 💻 База — sw-voice/voxcpm2-indic-multi-stage2-english-reuse-lr1e-4-10ep.
• 🕺 Reference-free режим: cfg 2, 10 шагов, целые ответы за один проход.
• 🔥 Обучена на 5,6 ч синтетического телугу: 309 ответов и 202 письменных фрагмента.
• ✨ Дистилляция заняла 320 шагов и около 21,5 минуты на одной H100.

💻 Пример

Сценарий из карточки — синтез целых ответов без reference-аудио: cfg 2 и 10 шагов, один проход на ответ. Именно этот чекпойнт с 8 ноября 2026 года отдаёт production voice B для перечисленных языков.

Подробнее

Судья Gemini на целых ответах предпочитает модель учителю indicF5-best: +0,25 eval и +0,38 Q&A; против best-vox-2 — около +0,75.
Q&A CER — 0,96% (MAI-Transcribe-2); на трёх реальных текстах Navaratri — 0,8–1,6% против 2,3% у реальных записей.
Совпадение голоса — 95,0% против 98,3% у best-vox-2. Разброс высоты тона — около 3,7 полутона против 4,1–4,7 у реального голоса, примерно на 1,3 полутона ниже.