/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
ZipVoice
Библиотека
dhvaani
Опубликована
26 июл 2026

DhVaani-0.5

Синтез речиТекст → аудио3 профессии

Многоязычная модель синтеза речи с клонированием голоса по короткому аудиопримеру для 27 языков Индии.

844скачиваний за 30 дней16лайковвеса обновлены26 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DhVaani — модель синтеза речи с клонированием голоса, разработанная ARTPARK-IISc и дообученная на основе k2-fsa/ZipVoice. Она принимает целевой текст и несколько секунд эталонной речи вместе с её расшифровкой, затем генерирует речь голосом говорящего из записи. Модель использует архитектуру ZipVoice с flow matching и посимвольный токенизатор для индийских письменностей; базовая модель содержит 123 млн параметров. Речь выводится с частотой 24 кГц.

Модель рассчитана на 27 языков Индии и поддерживает разные письменности, включая деванагари, бенгальско-ассамское письмо, тамильское и телугу. Наиболее полно представлены английский, хинди, бенгальский, маратхи, каннада, телугу и ряд других языков; для санскрита, догри, кашмирского и раджастхани обучающих данных существенно меньше. Репозиторий распространяет веса в safetensors, лицензия — Apache-2.0.

DhVaani подходит для многоязычного синтеза речи и переноса голоса по короткому аудиопримеру. Качество зависит от объёма данных для конкретного языка; смешение английских слов с индийскими языками может давать неровную просодию. Лучше использовать чистую запись одного говорящего длительностью 3–10 секунд; редкие символы и эмодзи вне словаря пропускаются.

Сценарии применения

  • синтез речи на индийских языках по тексту
  • клонирование голоса по короткой записи и расшифровке
  • озвучивание текстов на хинди и бенгальском
  • создание многоязычных голосовых интерфейсов
  • озвучивание контента голосом заданного диктора

Ограничения

Качество ниже для языков с малым объёмом обучающих данных; смешение английского с индийскими языками может ухудшать просодию. Рекомендуется чистый образец речи одного диктора длительностью 3–10 секунд; символы вне словаря, включая редкие диакритические знаки и эмодзи, пропускаются.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DhVaani — TTS for 27 Indian languages

DhVaani is a fast, zero-shot voice-cloning text-to-speech model covering 27 Indian languages. Give it a few seconds of reference audio + its transcript and any target text, and it speaks that text in the reference voice — at 24 kHz.

Fine-tuned from ZipVoice (a 123M-parameter flow-matching TTS), with a character-level tokenizer that handles Indian script.

Quick start

# install torch/torchaudio for your machine first (GPU shown; use /whl/cpu for CPU):
pip install torch torchaudio 
pip install -r requirements.txt

transformers AutoModel (recommended)

import os,torch, soundfile as sf
from transformers import AutoModel
os.environ.setdefault("HF_TOKEN", "<your-hf-token>")
DEV = "cuda" if torch.cuda.is_available() else "cpu"
model = AutoModel.from_pretrained("ARTPARK-IISc/DhVaani-0.5",
                                  trust_remote_code=True).to(DEV).eval()

audio = model.synthesize(
    text="നമസ്‌കാരം, സുഖമാണോ?",
    prompt_wav="reference.wav",          # a few seconds of the voice to clone
    prompt_text="reference transcript",
)                                        # float32 numpy @ model.sampling_rate (24 kHz)
sf.write("out.wav", audio, model.sampling_rate)

Or standalone (no transformers)

from dhvaani import DhVaani
tts = DhVaani()                          # auto GPU/CPU
tts.synthesize(text="வணக்கம்!", prompt_wav="ref.wav",
               prompt_text="…", out_path="out.wav")
python dhvaani.py --prompt-wav ref.wav --prompt-text "…" --text "…" --out out.wav

Knobs: num_step (16 = quality, 8 = faster), guidance_scale, speed, seed.

Languages & data

Trained pooled from multiple TTS datasets like IISc SYSPIN, IndicTTS (SPRINGLab)and Rasa at 16 kHz.

well-representedmidlow-resource
English, Hindi, Bengali, Marathi, Kannada, Telugu, Maithili, Magahi, Chhattisgarhi, Bhojpuri, Assamese, TamilGujarati, Malayalam, Manipuri, Odia, Punjabi, Nepali, Sindhi, Konkani, Santali, Bodo, UrduSanskrit, Dogri, Kashmiri, Rajasthani

Scripts: Devanagari, Bengali–Assamese, Tamil, Telugu, Kannada, Malayalam, Gujarati, Gurmukhi, Odia, Perso-Arabic, Ol Chiki, Latin.

What's in this repo

filewhat
config.json · modeling_dhvaani.pythe AutoModel (trust_remote_code) wrapper
dhvaani.pystandalone API + CLI (no transformers needed)
model.safetensorsweights (491 MB)
model.json · tokens.txtarchitecture config · 1058-char vocabulary
requirements.txtdependencies
_backend/the trimmed, inference-only model code DhVaani runs on
samples/example outputs

Training

  • Fine-tuned from k2-fsa/ZipVoice; the base Chinese+English text embedding (360 tokens) was re-initialised for the 1058-token Indic character vocab, the flow-matching acoustic backbone transferred.

Limitations

  • Code-switching (English words inside Indic text) runs — Latin is in the vocab — but wasn't explicitly trained, so mixed-language prosody can be rough at boundaries.
  • Data imbalance: low-resource languages (Rajasthani, Kashmiri, Dogri, Sanskrit) are ~10× smaller and weaker.
  • Out-of-vocabulary characters (rare diacritics, emoji) are silently dropped.
  • Best with a clean, single-speaker, 3–10 s reference clip.

Credits & license

Apache-2.0, following the base model. Built on ZipVoice (k2-fsa). Please also respect the licenses of the training corpora (IndicTTS, Rasa, IISc SYSPIN).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · dhvaani

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
b079f01

0 моделей