model card

README.md

@@ -22,7 +22,9 @@ Institute of Technology) — full-stream zero-shot TTS поверх кодека
 (12.5 Гц), с динамическим управлением темпом речи и клонированием голоса по
 3–10 секундам записи.
 
-**Демо:** HF Space (см. ссылку в шапке репозитория).
+**Демо:** самодостаточный код Gradio-демо лежит в этом репозитории в папке
+[`demo/`](https://huggingface.co/simba9/voxtream2-ru/tree/main/demo) — запуск локально
+описан ниже. Онлайн-версия (HF Space) — по ссылке в шапке репозитория, если она есть.
 
 ## Лицензия и условия использования
 
@@ -40,6 +42,14 @@ Institute of Technology) — full-stream zero-shot TTS поверх кодека
 Клонирование голоса допускается только для собственного голоса или с явного
 разрешения владельца голоса. Полный текст ограничений — в файле LICENSE.
 
+**Атрибуция.** Код базовой модели — MIT; компонент Depth Transformer (SesameAI CSM)
+— Apache-2.0 (см. `demo/LICENSE-MIT`, `demo/LICENSE-APACHE`, `demo/NOTICE`). Веса
+базовой модели обучены на [Emilia](https://huggingface.co/datasets/amphion/Emilia-Dataset)
+и [HiFiTTS-2](https://huggingface.co/datasets/nvidia/hifitts-2) (обе CC BY 4.0) — при
+использовании и распространении этих весов и производных от них требуется указывать
+авторов датасетов. Русские данные дообучения — открытые наборы русской речи
+(~1870 ч после фильтрации).
+
 ## Что внутри
 
 - Фонемный словарь расширен под русский: 166 токенов espeak-IPA с ударениями
@@ -64,14 +74,23 @@ Institute of Technology) — full-stream zero-shot TTS поверх кодека
 ## Использование
 
 Модель требует модифицированный пакет `voxtream` и русский инференс-стек
-(фонемизатор RUAccent+espeak, вставка sil, проклитики/междометия) — берите
-код из HF Space этой модели (папка целиком самодостаточна):
+(фонемизатор RUAccent+espeak, вставка sil, проклитики/междометия, RUNorm для цифр)
+— всё это лежит в папке `demo/` этого репозитория (самодостаточна, с GitHub ничего
+ставить не нужно). Нужна GPU (~4 ГБ VRAM), Python 3.11:
 
 ```bash
-python app.py --model-dir <папка с model.safetensors>
-# либо env MODEL_REPO=<этот репозиторий> python app.py
+git lfs install && git clone https://huggingface.co/simba9/voxtream2-ru
+cd voxtream2-ru/demo
+sudo apt install espeak-ng            # см. packages.txt
+pip install -r requirements.txt
+python app.py --model-dir ..          # Gradio на http://127.0.0.1:7860
+# без клона весов: MODEL_REPO=simba9/voxtream2-ru python app.py
 ```
 
+Интерфейс: запись 3–10 с голоса + текст; ударение вручную — `+` перед гласной
+(з+амок / зам+ок); look-ahead 30 по умолчанию (`full` — вся фраза, лучше интонация);
+слайдер темпа (слог/с) работает прямо во время синтеза. API — `/synthesize_fn`.
+
 Файлы: `model.safetensors` (462M параметров), `config.json`,
 `phoneme_to_token.json`, `ru_tokens.json`. VRAM ~4 ГБ (bf16), 24 кГц.