/ Модель

Характеристики

Лицензия
CC BY-NC-ND 4.0
Архитектура
spark-tts · dense
Опубликована
31 мар 2025

Vi-SparkTTS-0.5B

Синтез речиТекст → аудио3 профессии

Вьетнамская модель Spark-TTS преобразует текст в естественно звучащую речь.

28скачиваний за 30 дней23лайкавеса обновлены8 апр 2025

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

Vi-SparkTTS-0.5B — модель синтеза речи семейства Spark-TTS, разработанная DragonLineageAI и обученная на вьетнамском наборе данных viVoice. Она преобразует текст в звучащую речь и рассчитана на генерацию естественного голоса; автор описывает сценарии как исследовательское и производственное применение.

Модель использует архитектуру SparkTTSModel типа dense и распространяется в формате PyTorch с весами Safetensors. В README приведён вариант запуска через библиотеку Transformers и возможность дообучения на других наборах данных или языках. Лицензия CC BY-NC-ND 4.0 требует указания авторства и запрещает коммерческое использование и распространение производных материалов.

Сценарии применения

  • озвучивание вьетнамского текста
  • создание голосовых сообщений на вьетнамском языке
  • генерация речи для аудиоконтента
  • прототипирование систем синтеза речи
  • дообучение синтеза речи на собственных аудиоданных

Ограничения

Обучение описано для вьетнамского набора viVoice; качество на других языках карточкой не подтверждено. Лицензия запрещает коммерческое использование и распространение производных материалов.

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

Spark TTS Vietnamese

Spark-TTS is an advanced text-to-speech system that uses the power of large language models (LLM) for highly accurate and natural-sounding voice synthesis. It is designed to be efficient, flexible, and powerful for both research and production use. This model is trained from viVoice vietnamese dataset

Usage

First, install the required packages:

pip install --upgrade transformers accelerate

Text-to-Speech

We have customized the code so you can inference using the huggingface transformer library without installing anything else.

from transformers import AutoProcessor, AutoModel, AutoTokenizer
import soundfile as sf
import torch
import numpy as np

device = "cuda"
model_id = "DragonLineageAI/Vi-SparkTTS-0.5B"
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
model = AutoModel.from_pretrained(model_id, trust_remote_code=True).eval()
processor.model = model
 
prompt_audio_path = "path_to_audio_path" # CHANGE TO YOUR ACTUAL PATH
prompt_transcript = "text corresponding to prompt audio" # Optional
text_input = "xin chào mọi người chúng tôi là Nguyễn Công Tú Anh và Chu Văn An đến từ dragonlineageai"
 
inputs = processor(
    text=text_input.lower(),
    prompt_speech_path=prompt_audio_path,
    prompt_text=prompt_transcript,
    return_tensors="pt"
).to(device)
global_tokens_prompt = inputs.pop("global_token_ids_prompt", None)
 
with torch.no_grad():
    output_ids = model.generate(
        **inputs,
        max_new_tokens=3000,
        do_sample=True,
        temperature=0.8,
        top_k=50,
        top_p=0.95,
        eos_token_id=processor.tokenizer.eos_token_id,  
        pad_token_id=processor.tokenizer.pad_token_id  
    )
       
output_clone = processor.decode(
    generated_ids=output_ids,
    global_token_ids_prompt=global_tokens_prompt,
    input_ids_len=inputs["input_ids"].shape[-1]
)
 
sf.write("output_cloned.wav", output_clone["audio"], output_clone["sampling_rate"])

Fintune

You can finetune this model with any dataset to improve quality or train on a new language. training code

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
SparkTTSModel
Ревизия весов
e16c434

0 моделей