/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
F5-TTS
Библиотека
f5-tts
Опубликована
8 авг 2026

Persian-IPA-to-Speech-F5

Синтез речиТекст → аудио3 профессии

Модель синтезирует персидскую речь из последовательностей IPA и может использовать референсное аудио для задания голоса.

1 433скачиваний за 30 дней4лайкавеса обновлены4 окт 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

KiaBush/Persian-IPA-to-Speech-F5 — чекпойнт синтеза персидской речи, созданный дообучением F5-TTS v1 Base. Модель принимает последовательности IPA в Unicode, а не обычное персидское написание, и генерирует монофоническую речь с частотой 24 кГц. Архитектура основана на DiT с 22 слоями, размерностью 1024 и 16 головами внимания; для вокодирования используется Vocos. Веса EMA доступны в формате Safetensors, а для токенизации применяется собственный словарь из 2547 символов.

Модель предназначена для синтеза речи по персидской фонетической транскрипции и поддерживает обусловливание по референсному аудио. Для обычного персидского текста README рекомендует сначала преобразовать его в IPA отдельной моделью Persian Text-to-IPA, затем передать транскрипцию в синтезатор. Качество зависит от точности IPA, корректности транскрипции референса и качества записи; для имён, чисел, сокращений и контекстных произношений рекомендуется проверять транскрипцию. Выпуск весов распространяется по лицензии CC BY-NC 4.0; право использовать голос референсной записи необходимо получать отдельно.

Сценарии применения

  • синтез персидской речи из IPA-транскрипции
  • озвучивание персидского текста после преобразования в IPA
  • генерация персидских реплик с голосовым референсом
  • проверка произношения персидских слов и контрастных вариантов
  • создание демонстрационных персидских аудиозаписей

Ограничения

На вход требуется корректная IPA-транскрипция: преобразователь обычного персидского текста в IPA в репозитории не включён. Результат зависит от точности транскрипции и качества референсного аудио, а произношение и качество могут меняться для редких символов, акцентов и длинных высказываний.

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

Persian-IPA-to-Speech-F5

Persian-IPA-to-Speech-F5 is a Persian speech synthesis checkpoint fine-tuned from F5-TTS v1 Base. It is conditioned directly on raw Unicode IPA sequences rather than ordinary Persian orthography.

Highlights

  • Direct Persian IPA-to-speech synthesis
  • Custom Unicode codepoint vocabulary
  • 24 kHz mono waveform output
  • Reference-audio voice conditioning
  • Inference-ready EMA weights in Safetensors format
  • Reproducible checkpoint and vocabulary checksums

Files

FilePurpose
model.safetensorsFinal inference-ready EMA checkpoint
vocab.txtCustom tokenizer vocabulary; 2,547 unique symbols
config.yamlModel, tokenizer, audio, and compatibility configuration
manifest.jsonArtifact provenance and validation results
SHA256SUMSIntegrity checksums
examples/Generated audio samples and their IPA metadata

The model contains 364 tensors. Its text embedding shape is [2548, 512], which corresponds to 2,547 vocabulary symbols plus F5-TTS's internal filler row.

Installation

pip install persian-ipa-to-speech-f5

FFmpeg must be available on the system. For GPU inference, install the PyTorch build matching your CUDA version first.

Python usage

from persian_ipa_to_speech_f5 import PersianIPAToSpeechF5

tts = PersianIPAToSpeechF5(device="cuda")
tts.synthesize(
    "sælɒːm, xoːbiː?",
    reference_audio="reference.wav",
    reference_ipa="<exact IPA transcription of reference.wav>",
    output="outputs/result.wav",
)

The reference transcription must match the spoken reference audio. Use NFC Unicode normalization and preserve the same IPA conventions used by the model.

End-to-end Persian text to speech

For ordinary Persian input, use KiaBush/persian-text-to-ipa-byt5 as the grapheme-to-phoneme front end, then pass its IPA output to this model.

from persian_ipa_to_speech_f5 import PersianIPAToSpeechF5, PersianTextToIPA

ipa = PersianTextToIPA(device="cpu").convert("گل رز واقعاً زیباست.")

tts = PersianIPAToSpeechF5(device="cuda")
tts.synthesize(
    ipa,
    reference_audio="reference.wav",
    reference_ipa="<exact IPA transcription of reference.wav>",
    output="outputs/result.wav",
)

Review the generated IPA for names, numbers, abbreviations, dialectal forms, and other context-dependent pronunciations before production synthesis. For long input, follow the Text-to-IPA model's chunking guidance.

License

The model checkpoint is a derivative of F5-TTS v1 Base and is licensed under CC-BY-NC-4.0. The non-commercial restriction applies to the model. F5-TTS source code is separately available under the MIT License. Rights or consent associated with training data, reference voices, and generated audio are not granted by the model license and remain the user's responsibility.

Audio samples

The following files are generated outputs. Reference recordings are not redistributed with these previews.

اشکهاش.wav — Synthetic Adel Ferdosipour-like voice

An unofficial synthetic voice-cloning demonstration resembling Adel Ferdosipour. This sample is not affiliated with or endorsed by the speaker.

meɾsiː ʔɒːɡhɒːje, ɾonɒːldo, bɒːbæte ʔiːn hæme sɒːliː ke ʔæz buːdænet lezzæt boɾdiːm, væ belæxæɾeh, ʔæʃkhɒːʃ, dʒɒːɾiː xɒːhænd ʃod.

اروند.wav — Complex utterance

A complex-utterance sample for evaluating pronunciation accuracy and speech continuity.

ʔɒːn ɾuːz dʒæʔfæɾ tɒː læbe ʔæɾvænd ʔɒːmædo,tæmɒːme ʔeltemɒːshɒː væ ʔæʃkhɒːjæʃ, bæɾɒːje hozuːɾe ʔuː dæɾ ʔæmæliːjɒːt, kɒːɾsɒːz næbuːd.

پژمرده.wav — Pronunciation contrast

A pronunciation-contrast sample containing different pronunciations of the Persian word «گل» within a single utterance.

vejː ɡol ɾɒː, dæɾ ɡel kɒːʃt. ʔæmmɒː ɢɒːfel ʔæz ʔiːnke ʔiːn ɡole ziːbɒː næbɒːjæd dæɾ ʔɒːn xɒːk væ ɡe:l ɢæɾɒːɾ miːɡeɾeft... be hæmiːn ʔellæt ɡole: nɒːzæniːn beɾɒːhætiː pæʒmoɾdeh ʃod!.

گل رز.wav — Distinctive vocal tone

A sample featuring a vocal tone that differs from a typical conversational voice.

ɡole: ɾoz, vɒːɣeʔæn ziːbɒːst.

نفت.wav — Complex sentence

A complex-sentence sample for evaluating pronunciation and continuity.

ʔiːnæm ʔeʃɒːɾe konæm, ʔiːn ɢejmætiː ke ʔemɾuːz dæɾ tɒːblo ʃomɒː miːbiːniːd, mæsælæn tæhte ʔonvɒːne næfte beɾent, tæhte ʔɒːsɒːɾe næfte dæbeljuː tiː ʔɒːje, teɡzɒːs ʔæst.

قصه.wav — Colloquial speech

A sample demonstrating colloquial Persian speech.

sælɒːm bætʃtʃehɒːje ʔæziːz, bɒː jekiː diːɡæɾ ʔæz bæɾnɒːmehɒːje ʔæsɾe dɒːjnɒːsoɾhɒː bɒː ʃomɒːjiːm.

ساعت.wav — Contextual «نه»

A contextual pronunciation sample where «نه» represents the number nine rather than the negative response “no.”

sɒːʔæt noho siː ʔo do dæɣiːɣe ʔæst.

Machine-readable details are available in examples/metadata.json.

Model architecture

  • Base architecture: F5TTS_v1_Base
  • Backbone: DiT, 22 layers, 1,024 hidden dimensions, 16 attention heads
  • Mel channels: 100
  • Sample rate: 24,000 Hz
  • Vocoder: Vocos
  • Checkpoint weights: EMA, float32
  • Tokenizer: custom Unicode codepoint vocabulary
  • Compatible F5-TTS base: v1.1.22 with the linked raw-input patch

Limitations

  • Input must already be valid IPA; this repository does not include a Persian grapheme-to-phoneme converter.
  • The model may mispronounce IPA conventions or symbols underrepresented during fine-tuning.
  • Output quality depends strongly on reference-audio quality and transcription accuracy.
  • Voice conditioning does not imply identity ownership or permission to imitate a speaker.
  • Performance may vary across accents, speaking styles, and long utterances.

Responsible use

Only use reference voices with the speaker's authorization. Do not use this model for impersonation, fraud, deceptive media, harassment, or bypassing voice authentication. Clearly disclose synthetic audio where listeners could mistake it for a real recording.

Code and attribution

The compatible inference implementation is maintained at KiaBush/F5-TTS and is derived from the MIT-licensed SWivid/F5-TTS project.

The license for this fine-tuned weight release should be reviewed independently from the upstream code license and the rights governing training and example audio.

Authors and contributors

  • Ali Akbar Kiaei — research, model training, engineering, and release
  • Mahnaz Bush — data preparation, model training, evaluation, research, and documentation

Как запустить

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

GPU в ailist

Универсальный рантайм · f5-tts

Нельзя запустить

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

Ревизия весов
3715d1e

0 моделей