/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
onnx
Опубликована
2 авг 2026

sopho-poetry-tts

Синтез речиТекст → аудио

Компактная ONNX-система для локального синтеза китайской классической поэзии на Android.

0скачиваний за 30 дней0лайковвеса обновлены2 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

Sopho/sopho-poetry-tts — компактная система синтеза китайской классической поэзии для Android-приложения SuFei. Акустическая модель FastSpeech2 содержит 7,6 млн параметров и работает вместе с вокодером HiFi-GAN CSMSC; обе модели экспортированы в ONNX. Полный размер файлов для развёртывания составляет около 68 МБ.

Модель преобразует текст в китайские фонетические идентификаторы по правилам G2P PaddleSpeech, затем формирует мел-спектрограмму и аудио PCM с частотой 24 кГц. Предназначена для локального запуска на CPU через ONNX Runtime без сетевого подключения. Репозиторий описывает оптимизации для совместимости с Android и результаты оценки распознавания синтезированной речи: CER 21,0 % на holdout-наборе.

Модель ориентирована на китайский язык и чтение классической поэзии. Для подготовки входа требуется совместимая G2P-конвертация и соблюдение правил обработки пунктуации и межточия, описанных в карточке. Указана лицензия Apache-2.0.

Сценарии применения

  • озвучивание китайских классических стихотворений
  • локальное преобразование китайского текста в речь на Android
  • воспроизведение стихотворений в приложении без сетевого подключения

Ограничения

Модель специализирована на китайской классической поэзии и требует преобразования текста в фонетические идентификаторы по правилам PaddleSpeech G2P. В описанной конфигурации FP16 на Android CPU приводит к пустой мел-спектрограмме; используется FP32.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

sopho-poetry-tts (m3_v6)

On-device Chinese classical-poetry TTS for the SuFei Android app. A compact FastSpeech2 acoustic model (7.6 M params) plus the PaddleSpeech HiFi-GAN CSMSC vocoder, both exported to ONNX. Total deploy size ~68 MB, runs on CPU (onnxruntime) with no network at runtime.

Files

FileBytesSHA-256 (first 12)Role
fastspeech2_sufei.onnx35,591,6179e58042c158aacoustic model: phone ids → mel[T,80]
hifigan_csmsc.onnx32,432,756eb305fdc8be9vocoder: mel → 24 kHz pcm
phone_id_map.txt2,128ca00d60618a0phone → id (vocab 268)
norm_stats.npz1,15619304d7074d2mel mean/std for de-normalization
manifest.json——metadata + per-file sha256

SHA256SUMS.txt carries the canonical checksums; the app's Gradle fetchTtsModels task pins this revision and verifies each file's sha256 before bundling it.

Pipeline

text → G2P (PaddleSpeech phones) → phone_ids
     → fastspeech2_sufei.onnx → mel[T,80]
     → * mel_std + mel_mean  (norm_stats.npz)
     → hifigan_csmsc.onnx → 24 kHz pcm
  • Sample rate 24000 Hz, mel bins 80, phone vocab 268.
  • G2P convention: PaddleSpeech phones; the interpunct · produces no token (the m3_v6 dot-token fix); punctuation ,。?! kept, ;: → ,.

On-device notes (fp32 + mobile-safe length regulator)

Two changes make this model run correctly under onnxruntime-android:

  1. Length regulator — exported with a vectorized cumsum + GreaterOrEqual-sum + Gather formulation instead of torch.repeat_interleave. The latter exports to Loop + SplitToSequence / ConcatFromSequence; the vectorized form uses only standard tensor ops and is numerically identical (max|diff| = 0).
  2. fp32, not fp16 — an fp16 FS2 yields a 0-frame mel on the ARM onnxruntime-android CPU EP (the fp16 duration path collapses), while the same fp16 graph is correct on x86. fp32 is exact and verified on-device (instrumented NarOnnxEngineTest). fp16 halves the acoustic model but is unusable on the target runtime, so fp32 ships.

Quality

ASR-CER (FunASR), holdout-20 / train-30 seed42: train 20.6 % / holdout 21.0 % (fp32 baseline; production v9 was 24.0 % / 21.5 %). Checkpoint m3_v6_final.pt (step 30000).

Training data

Distilled from the sopho-poetry-tts-data cosyvoice3/ lineage (Fun-CosyVoice3-0.5B teacher).

License

Apache-2.0. The vocoder hifigan_csmsc.onnx is PaddleSpeech's pretrained HiFi-GAN CSMSC, redistributed unchanged under Apache-2.0; the FastSpeech2 acoustic model was trained by this project. Teacher audio was produced by Apache-2.0 models, which place no restriction on their outputs.

Как запустить

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

GPU в ailist

Универсальный рантайм · onnx

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
baf26a5

0 моделей