---
license: apache-2.0
base_model: openbmb/VoxCPM2
base_model_relation: finetune
language:
- ru
pipeline_tag: text-to-speech
tags:
- tts
- voxcpm
- voxcpm2
- russian
- stress
- lora
- accent
- homographs
---

# Shtorm-VoxCPM2-RU

версия от **Shtorm** — русская VoxCPM2 с управляемыми ударениями. VoxCPM2 с запечённой LoRA, которая учит модель **ставить ударения по меткам в тексте**: `+` перед ударной гласной.
Грузится как обычная VoxCPM2, без адаптеров и дополнительного кода.

*VoxCPM2 fine-tune (merged LoRA) that follows explicit Russian stress marks: `+` before the stressed vowel.*

## Статус

Экспериментальная версия «как есть». Формальных замеров нет — проверялась на слух на наборах омографов,
намеренно неправильных ударений и реальных текстах, на нескольких голосах.

## Как размечать текст

- `+` **перед** ударной гласной: `зам+ок`, `стрелк+и`, `м+олоко`.
- **Односложные слова желательно не размечать** (`как`, `не`, `вы`, `мне`): в обучении меток на них не было, и модель
  читает такую метку как выделение слова — речь становится растянутой.
- `ё` не размечать — она всегда ударная.
- Числа, даты, сокращения — **словами** до подачи в модель (нормализатор отключается, см. ниже).
- Метки удобно расставлять автоакцентором (например, RUAccent) и потом снимать с односложных слов.
- Без меток модель читает как обычная VoxCPM2.

## Использование

```python
from voxcpm import VoxCPM
import soundfile as sf

model = VoxCPM.from_pretrained("ArtShtorm/Shtorm-VoxCPM2-RU", load_denoiser=False)

wav = model.generate(
    text="Мы купили м+олоко, а на двери висел зам+ок.",
    cfg_value=2.0,
    inference_timesteps=10,
    normalize=False,          # обязательно: встроенный нормализатор может испортить метки
)
sf.write("out.wav", wav, model.tts_model.sample_rate)
```

### Клонирование голоса (рекомендуется Hi-Fi)

Референс 5–15 с чистой речи + его **дословный текст** (без меток) — голос стабилен между предложениями:

```python
wav = model.generate(
    text="Стр+елки час+ов показывали полночь.",
    reference_wav_path="voice.wav",
    prompt_wav_path="voice.wav",
    prompt_text="Точный текст того, что звучит в voice.wav.",
    cfg_value=2.0,
    inference_timesteps=10,
    normalize=False,
)
```

Длинный текст лучше озвучивать **по предложениям** с одним и тем же референсом и склеивать.


## Ограничения

- Изредка случайные сбои произношения отдельного слова — помогает перегенерация с другим сидом.
- Ошибки в разметке озвучиваются как написано: качество ударений зависит от того, кто их расставил.
- На отдельных словах в отдельных контекстах модель может держаться привычного ударения.
- Проверено на ограниченном числе голосов; на сильно непохожих референсах — проверять.

## Лицензия

Apache-2.0, как у базовой модели [openbmb/VoxCPM2](https://huggingface.co/openbmb/VoxCPM2).
Спасибо команде OpenBMB за VoxCPM.