# Humaneness Voice Small: четыре DPO-LoRA для локального синтеза речи

Источник: https://modelium.tech/zhurnal/humaneness-voice-small-dpo-four-loras-acting/

LAION выложила четыре DPO-LoRA к одной и той же базе Humaneness Voice Small S3, исходный чекпойнт и код загрузки. Пакет позволяет локально сравнивать варианты английской и немецкой синтезированной речи на одинаковых сценариях. Авторская оценка не доказывает, что какой-либо адаптер звучит лучше: перед выбором нужно прослушать парные примеры.

Humaneness Voice Small: четыре DPO-LoRA для локального синтеза речи

30 сентября 2026 года LAION открыла отдельный репозиторий с четырьмя DPO-адаптерами для экспериментальной TTS-модели Humaneness Voice Small. Это не четыре новые базовые модели: все адаптеры подключаются к **одному и тому же чекпойнту S3**, который также лежит в репозитории. Модель рассчитана на английскую и немецкую речь, а сценарии включают управление подачей и актёрскими интонациями. Дата создания и загрузка адаптеров подтверждаются историей и манифестом Hugging Face. [s1](#src-s1) [s2](#src-s2)

## Что именно доступно

Есть два варианта состава пар предпочтений — `original` и `rebalanced` — и два ранга LoRA, 64 и 128, для каждого. Файлы `original_rank064`, `original_rank128`, `rebalanced_rank064`, `rebalanced_rank128` опубликованы вместе с полным S3 BF16-чекпойнтом, экспортным манифестом, исходным кодом обучения и загрузчиком адаптеров. Размеры самих файлов адаптеров в манифесте HF составляют примерно 135 и 270 МБ в зависимости от ранга; это **размеры файлов, а не требования к оперативной памяти или видеопамяти**. [s1](#src-s1) [s2](#src-s2)

В исходной смеси авторы использовали 715 402 обучающих пары, в перераспределённой — 447 179. Это число пар для обучения, а не количество независимых человеческих оценок качества речи. База S3 была инициализирована предобученной Qwen3-0.6B для семантической части; Talker обучался отдельно. Выходные токены нужно декодировать через MOSS Audio Tokenizer v2, который загружается отдельно. Не следует подменять S3 более поздним S10: авторы проверяли адаптеры именно с S3. [s1](#src-s1) [s3](#src-s3)

## Что показала оценка — и чего не показала

LAION опубликовала отдельный набор для **парного прослушивания**: исходная S3 и четыре адаптера сопоставляются на 50 сценах, 11 форматах промпта, одинаковых назначениях референсов и seed. Для каждой конфигурации указано 1 872 сопоставимых генерации; в репозитории новых адаптеров доступны 7 488 MP3, аудио S3 хранится в прежнем наборе. Есть WER и автоматические предикторы выразительности, но их оценки не равны человеческому суждению. Это **авторская оценка**, Modelium не запускал модели и не прослушивал корпус самостоятельно. [s4](#src-s4) [s5](#src-s5)

По карточке авторов, точность классификации обучающих пар улучшилась для ряда категорий, но она не доказывает улучшение звучания. В перераспределённой смеси нет независимой парной проверки двух добавленных категорий — высоты голоса и качества; выравнивание по предложениям ещё не завершено. Ошибку длительности клипа нельзя выдавать за подтверждённое управление временем отдельных фраз. Выбирать «победителя» по одному числу рано: сравните на своих репликах разборчивость, голос и артефакты, начиная с парного аудио авторов. [s1](#src-s1) [s4](#src-s4) [s5](#src-s5)

## Как пробовать локально

Скачайте закреплённую ревизию репозитория `laion/Humaneness-Voice-Small-DPO-LoRAs`, установите зависимости из документации исходной S3-модели, загрузите `base/S3/model_bf16.pt` через прилагаемую архитектуру `code/` и подключите **один** файл адаптера через `dpo_code/load_adapter.py`. Для получения звука дополнительно нужен совместимый MOSS Audio Tokenizer v2. В карточке есть пример кода и ссылки на уже созданное парное аудио; это исследовательский PyTorch-стек, а не готовый `AutoModel.from_pretrained()` или проверенный нами однострочный запуск. Начните с опубликованного прослушивания, затем проверьте собственные сценарии и доступность нужного вам аппаратного окружения. [s1](#src-s1) [s3](#src-s3) [s4](#src-s4)

**Права:** карточка адаптеров указывает CC BY 4.0, а лицензия исходной S3-модели требует атрибуции LAION и сохранения сведений об изменениях. Это открытые веса с условием атрибуции, а не обещание, что все зависимости, наборы данных, голоса и результаты генерации свободны от отдельных прав. Лицензии Qwen3, MOSS-кодека и датасетов нужно проверять отдельно; для чужого голоса нужны надлежащие права и согласие. [s1](#src-s1) [s6](#src-s6) [s3](#src-s3)

**Итог:** новая версия интересна тем, что публикует не только DPO-веса, но и общий базовый чекпойнт, код и сопоставимое аудио. Для локального TTS-эксперимента это проверяемая отправная точка; доказательства универсального улучшения естественности речи пока нет. [s1](#src-s1) [s4](#src-s4)

## Источники

1. [LAION: Humaneness Voice Small DPO LoRAs — карточка и закреплённая ревизия](https://huggingface.co/laion/Humaneness-Voice-Small-DPO-LoRAs/blob/2863db11878361144b16f7a017eab7ca36046356/README.md) — получено 2026-10-01
2. [Hugging Face API: история коммитов и состав репозитория DPO LoRAs](https://huggingface.co/api/models/laion/Humaneness-Voice-Small-DPO-LoRAs) — получено 2026-10-01
3. [LAION: Humaneness Voice Small — исходная модель и инструкция](https://huggingface.co/laion/Humaneness-Voice-Small/blob/5de86032771c37a3008d14e78ee7cdb39368e2a8/README.md) — получено 2026-10-01
4. [LAION: парное аудиосравнение S3 и DPO-LoRA](https://huggingface.co/datasets/laion/humaneness-voice-small-dpo-acting-eval/blob/405a73a7ef8662062f8c8b06d3b6b920538e5b42/README.md) — получено 2026-10-01
5. [LAION: машинно-читаемая сводка matched acting evaluation](https://huggingface.co/datasets/laion/humaneness-voice-small-dpo-acting-eval/blob/405a73a7ef8662062f8c8b06d3b6b920538e5b42/summary.json) — получено 2026-10-01
6. [LAION: LICENSE исходных весов Humaneness Voice Small](https://huggingface.co/laion/Humaneness-Voice-Small/blob/5de86032771c37a3008d14e78ee7cdb39368e2a8/LICENSE) — получено 2026-10-01