/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
sherpa-onnx
Опубликована
6 авг 2026

sherpa-onnx-vits-rasa-13

Синтез речиТекст → аудио

ONNX-экспорт многоязычной модели VITS для синтеза речи на 13 индийских языках с выбором голоса и эмоции через sherpa-onnx.

0скачиваний за 30 дней1лайквеса обновлены7 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

Это версия VITS ai4bharat/vits_rasa_13, экспортированная в ONNX и упакованная для запуска через sherpa-onnx. Модель преобразует текст в речь на 13 индийских языках и предоставляет выбор из 1024 голосов и 32 эмоций. Входной фронтенд работает на символах; граф ONNX имеет формат fp32 и занимает около 150 МБ.

Для синтеза требуется сборка sherpa-onnx с поддержкой входа emotion_id: стандартные сборки без этой поддержки не смогут загрузить модель. Сценарии применения включают озвучивание текста на поддерживаемых индийских языках с выбором голоса и эмоциональной окраски. Лицензия — CC BY 4.0.

Заявлены 13 языков, но в метаданных перечислены только бенгальский, хинди и тамильский. README также отмечает, что длительность и просодия могут отличаться от эталонного инференса Hugging Face, а конечная точка в тексте иногда приводит к синтезу шумового фрагмента; для обхода можно удалить конечную пунктуацию или настроить параметры синтеза.

Сценарии применения

  • озвучивание текста на индийских языках
  • синтез речи с выбором голоса
  • генерация речи с заданной эмоциональной окраской

Ограничения

Для работы нужна сборка sherpa-onnx с поддержкой обязательного входа emotion_id. Просодия и длительность могут отличаться от инференса Hugging Face; конечная пунктуация иногда вызывает шумовой фрагмент.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sherpa-onnx-vits-rasa-13

ONNX export of ai4bharat/vits_rasa_13 packaged for use with sherpa-onnx.

Model Overview

  • 1024 speakers
  • 32 emotions
  • 13 Indic languages
  • Single ONNX file
  • Adds emotion_id as a 7th input to the standard sherpa-onnx VITS runner signature. (Stock sherpa-onnx does not know about this input. See requirements)

Requirements

  • sherpa-onnx built with emotion-input support. This model exposes emotion_id as a required ONNX input. PR in sherpa-onnx (#3849). On earlier builds you will see unexpected input 'emotion_id' at load time.

Files

FilePurpose
model.onnxfp32 VITS graph, ~150 MB
tokens.txtCharacter frontend, one <char> <id> per line

Metadata

KeyValue
model_typevits
frontendcharacters
add_blank1
n_speakers1024
num_emotions32
sample_rate22050
languagemultilingual-indic
punctuation(empty)

Valid runtime ranges:

  • speaker_id: [0, 1024)
  • emotion_id: [0, 32)

Usage

sherpa-onnx-offline-tts \
  --vits-model=./model.onnx \
  --vits-tokens=./tokens.txt \
  --sid=0 \
  --emotion-id=0 \
  --output-filename=./out.wav \
  "வணக்கம், நீங்கள் எப்படி இருக்கிறீர்கள்"

Notes:

  • sherpa-onnx splits input on ., ?, ! regardless of this model's punctuation ONNX metadata. If your input ends with sentence-ending punctuation, sherpa generates a short trailing sentence that may synthesize as noise. Workarounds: strip trailing punctuation, or use --vits-noise-scale-w to try to reduce it. Tracking issue: TBD.

Reproducing the export

Export tooling lives in a separate repository: github.com/matiaslin/sherpa-onnx-vits-rasa-13-exporter. See its README for setup and CLI options.

Licenses and attribution

If you use this model, please cite:

@article{ai4bharat_vits_rasa_13,
  title={VITS TTS for Indian Languages},
  author={Ashwin Sankar},
  year={2024},
  publisher={Hugging Face}
}

See upstream Citation.

Known differences from upstream HF inference

  • Duration and prosody may differ from the HF Python reference. sherpa-onnx defaults to length_scale=1.0, while HF's inference uses length_scale=1.0/config.speaking_rate internally. Set --vits-length-scale if you need to match a specific HF invocation.
  • sherpa-onnx wraps token ids with an extra BOS/EOS blank (0) around HF's add_blank output (which might result in a few silent frames' difference at each end).

Как запустить

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

GPU в ailist

Универсальный рантайм · sherpa-onnx

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
b5afd4e

0 моделей