/ Модель

Характеристики

Лицензия
MIT
Опубликована
24 июл 2026

Khmer-TTS

Синтез речиТекст → аудио

SimpleKhmerTTS преобразует текст на кхмерском языке в отдельные речевые аудиофрагменты с помощью decoder-only Transformer и кодека WavTokenizer.

0скачиваний за 30 дней1лайквеса обновлены24 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

SimpleKhmerTTS — модель синтеза речи на кхмерском языке, опубликованная AnotherPotatoCoder. Она использует decoder-only Transformer и аудиокодек WavTokenizer; при обучении применялся Khmer Speech Dataset от DDD-Cambodia. Модель преобразует текст в аудио и рассчитана на генерацию отдельных речевых фрагментов длиной примерно от 3 до 10 секунд, что соответствует длинам обучающих примеров.

Модель может галлюцинировать: на редких или незнакомых словах иногда генерирует нечёткую или бессвязную речь. Ограниченный объём обучающих данных и возможности кодека для кхмерской речи снижают надёжность, поэтому README не рекомендует прямое развёртывание. Поддержки разбиения длинного текста на фрагменты нет. Репозиторий содержит веса в формате PyTorch; лицензия — MIT.

Сценарии применения

  • озвучивание коротких фраз на кхмерском языке
  • создание речевых аудиоклипов длиной около 3–10 секунд
  • эксперименты с синтезом кхмерской речи
  • подготовка прототипов кхмерской озвучки

Ограничения

На редких и незнакомых словах модель может генерировать бессвязную или искажённую речь; её не рекомендуют для прямого развёртывания. Лучше работает с фрагментами длиной около 3–10 секунд и не поддерживает разбиение длинных текстов на части.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SimpleKhmerTTS

Decoder-only transformer TTS, using WavTokenizer as the audio codec and DDD-Cambodia/khmer-speech-dataset as dataset.

Samples

TextAudio
Sample 1
Sample 2
Sample 3
Sample 4

Setup

git clone https://github.com/FirstPotatoCoder/SimpleKhmerTTS.git
cd SimpleKhmerTTS
pip install -q -r requirements.txt
python scripts/download_weights.py

Run

python examples/run_inference.py " ភាសាខ្មែរមានអក្សរច្រើន ហើយពិបាកសរសេរបន្តិច។ ភាសានេះមានប្រវត្តិយូរអង្វែង និងជាផ្នែកមួយយ៉ាងសំខាន់នៃវប្បធម៌កម្ពុជា។" --speaker_id 0

Or from Python:

from tts.inference import TTSPipeline

pipe = TTSPipeline(
    tts_weights="weights/tts.pt",
    wavtokenizer_weights="weights/wavtokenizer.ckpt",
    wavtokenizer_config="configs/wavtokenizer_config.yaml"
)

pipe.generate(" ភាសាខ្មែរមានអក្សរច្រើន ហើយពិបាកសរសេរបន្តិច។", speaker_id=1, out_path="out.wav")

Limitations

  • The model sometimes hallucinates, generating babbling or garbled output on rare or unseen words, making it ill-suited for direct deployment — likely due to the limited amount of training data and codec's limited performance on Khmer audio.
  • Works best when generating ~3s to 10s of audio, matching the length distribution of its training data.
  • No chunking support yet — the current repo only supports clip-by-clip generation, one sample at a time.

Credits

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
5491fb4

0 моделей