Humaneness Voice Small Acting: новые веса для выразительной речи

Что изменилось по сравнению с прежней моделью

Авторы донастроили всю Humaneness Voice Small на примерах актёрского произнесения, а не выпустили ещё одну небольшую надстройку к прежним весам. В карточке указаны три прохода по обучающим данным и итоговая контрольная точка step-00001725. Такой файл — сохранённые параметры модели после обучения. В закреплённой ревизии Hugging Face доступны веса, код infer.py для получения звукового файла WAV и список зависимостей. Это действительно опубликованные файлы, но Modelium не запускал их и не оценивал качество на своём оборудовании. s1s2

Простой сценарий для понимания задачи: вы задаёте английскую реплику «Please close the window» и отдельно просите сказать её спокойно. Ожидаемый тип результата — звуковой файл с произнесённой репликой, а не текстовый ответ. Можно передать короткую запись голоса говорящего в качестве образца, но это не гарантия точного копирования голоса: авторы ещё проверяют, насколько устойчиво сохраняется его узнаваемость. Для чужого голоса необходимо согласие человека; синтетическую речь стоит обозначать как синтетическую. s1

Что нужно знать перед локальным запуском

Автор предлагает запускать infer.py с модельным файлом и устанавливать зависимости из requirements.txt; отдельно загружается MOSS Audio Tokenizer v2 — компонент, который превращает внутреннее представление речи в звук. Простая загрузка файла весов через AutoModel.from_pretrained() здесь не подходит: код автора специально снимает служебный префикс с названий параметров. Это технический путь для опытного пользователя, не пошаговая домашняя инструкция. s1s3

Авторы указывают испытанный ими сервер JUPITER с GPU GH200, Python 3.13, PyTorch 2.9 и форматом вычислений BF16. Это условия авторского запуска, не минимальные требования к видеопамяти или домашнему компьютеру. Подтверждённого домашнего минимума и результатов на обычной видеокарте в карточке нет. Установка и первая загрузка модели и кодека требуют получения файлов; после подготовки предполагается локальная обработка, но редакция не проверяла работу с отключённой сетью. s1s3

Стоит ли переходить на новые веса

Если вы лишь начинаете пользоваться локальной озвучкой, ждать простого приложения разумнее, чем собирать этот исследовательский стек. Если уже работаете с CUDA и исходным кодом, новую контрольную точку можно сравнить на собственных фразах и с согласия владельца записи. У авторов есть подборка из 70 примеров для прослушивания, но они прямо не считают её строгим слепым сравнением качества; стабильность произнесения и голоса остаётся открытым вопросом. Русский язык в карточке не заявлен. s1

Веса Small и собственные материалы опубликованы под CC BY 4.0 с требованием указать авторов; для звукового кодека и других зависимостей действуют отдельные условия. Открытая публикация весов не равна обещанию беспроблемного использования любой комбинации компонентов. Если интересны предыдущие эксперименты с манерой речи, посмотрите четыре адаптера Humaneness Voice Small: нынешний выпуск отличается полной донастройкой модели. s1s4s3

Источники проверены 11 октября 2026 года; ревизия Small Acting — 95d0bff7da24729d5a7c9c9d88986d52ed8c939c. Ни качество голоса, ни минимальное железо Modelium не измерял.