/ Модель

Характеристики

Лицензия
CC BY 4.0
Опубликована
12 авг 2026

matcha-tts-nepali-chatterbox

Синтез речиТекст → аудио

Односпикерная модель Matcha-TTS синтезирует речь по непальскому тексту и смешанным непальско-английским фразам.

0скачиваний за 30 дней0лайковвеса обновлены12 авг 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

Matcha-TTS Nepali (Chatterbox) — односпикерная акустическая модель синтеза речи на основе Matcha-TTS с декодером CFM и энкодером RoPE. Модель дообучена на наборе chatterbox-nepali с английской базовой моделью LJSpeech; поддерживает непальский текст на письме деванагари и английские слова латиницей, в том числе смешанные фразы. Для обработки деванагари при синтезе требуется фронтенд real_nepali G2P.

Модель предназначена для генерации аудио по тексту на непальском языке и смешанным непальско-английским фразам голосом одного диктора. Английская часть использует фонемы espeak-ng en-us IPA. В README отмечено, что продолжительное обучение приводит к переобучению, ухудшению английской просодии и появлению шумов. Веса и документация этой публикации распространяются по CC-BY-4.0; исходный датасет chatterbox-nepali указан под CC-BY-SA-4.0.

Сценарии применения

  • синтез речи на непальском языке с письмом деванагари
  • озвучивание фраз со смешанным непальским и английским текстом
  • создание односпикерных голосовых сообщений на непальском
  • генерация английских слов в составе непальской речи

Ограничения

Модель рассчитана на одного диктора. README предупреждает, что длительное обучение ведёт к переобучению, шумам и ухудшению английской просодии; для деванагари во время синтеза требуется real_nepali G2P.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Matcha-TTS Nepali (Chatterbox, single speaker, English+Nepali mixed)

Fine-tuned Matcha-TTS acoustic model for Nepali (with mixed English words in Latin script) built on the chatterbox-nepali dataset, warm-started from the pretrained English (LJSpeech) base checkpoint.

Model summary

PropertyValue
ArchitectureMatcha-TTS (CFM decoder, RoPE encoder)
Vocabunion (n_vocab=264): English IPA (178) + real_nepali G2P phones preserved at 0..177 so the English base loads 100%
G2Preal_nepali profile real_nepali_v0.2 (Devanagari) + espeak-ng en-us IPA (Latin)
Speakers1 (single speaker)
Sample rate22,050 Hz
Meln_feats=80, n_fft=1024, hop=256, f_max=8000; mel_mean=-5.980818, mel_std=2.582703
Warm startpretrained/matcha_tts_ljspeech_english.ckpt via extend_vocab.py
OptimisationAdam lr=1e-4 constant, batch 32 x grad-accum 2 (eff. 64), 16-mixed precision, grad-clip 5.0
Training150-epoch target, early-stopped (see Re-generation)

Files

PathDescription
checkpoints/matcha_nepali_final.ckptFinal acoustic model (epoch 999 of the original run, picked by listening)
configs/nepali_real_fresh.yamlExperiment config (hydra) used for training
configs/nepali_real.yamlData config (filelists, batch, mel stats)
configs/matcha.yamlModel config (architecture, optimizer, scheduler)
scripts/synthesize.pyInference script (union symbols, denoiser, mel-stats matching)
scripts/extend_vocab.pyExtends the English base ckpt to the 264 union vocab

Usage

.venv/bin/python scripts/synthesize.py \
  --ckpt checkpoints/matcha_nepali_final.ckpt \
  --file texts.txt --out outputs --symbols union \
  --steps 25 --denoiser_strength 0.02

One utterance per line in texts.txt. Mixed Devanagari + Latin works in the same sentence, e.g. नमस्ते, welcome to our bank.

Recommended synthesis settings (cleanest output):

  • --steps 25 (more ODE steps than the 10 default = less noise)
  • --denoiser_strength 0.02 (vs default 0.00025: removes high-frequency hiss)

Vocoder: universal HiFi-GAN hifigan_univ_v1 (g_02500000).

Regeneration

  1. Prepare the dataset (split + phonemize with real_nepali G2P), loudness-normalize to data/wavs_norm/, set mel stats in the data config.

  2. Extend the English base to the union vocab:

    .venv/bin/python scripts/extend_vocab.py \
      --src pretrained/matcha_tts_ljspeech_english.ckpt \
      --out checkpoints/matcha_tts_english_plus_nepali.ckpt
    
  3. Train:

    bash scripts/train.sh fresh
    

10-15k steps on a 1.5k-utterance single-speaker set is enough; longer runs overfit (val loss rises again ~epoch 126) which adds noise and degrades the English-prosody carried from the base model.

Notes

  • The English base checkpoint is MIT (Shivam Mehta et al., ICASSP 2024); training data comes from the chatterbox-nepali dataset (CC-BY-SA-4.0).
  • The real_nepali G2P frontend (CC-BY-SA-4.0, Ampixa Labs) is required at train/inference time for Devanagari text.
  • This upload (weights + docs) is CC-BY-4.0.

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
1dff98b

0 моделей