/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
indicf5_hinglish · dense
Базовая модель
IndicF5
Опубликована
21 сен 2026

indicf5_hindi-english_code_switch

Синтез речиТекст → аудио3 профессии

Модель синтезирует речь из текста на хинди со встроенными английскими словами, стараясь передавать английское произношение разборчивее базовой IndicF5.

277скачиваний за 30 дней1лайквеса обновлены7 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

Tharshan разработал Indic Code-Switched TTS — дообученную модель синтеза речи на базе ai4bharat/IndicF5, архитектуры F5-TTS DiT размером 0,3 млрд параметров. Модель предназначена для озвучивания текста на хинди со встроенными английскими словами и стремится произносить такие слова разборчиво. Для обучения использовался корпус OpenSLR-104 с речью на хинди и английском; применялся адаптерный подход с замороженной базовой моделью и QLoRA.

Модель принимает текст и аудиообразец с точной расшифровкой, задающий голос и просодию, и генерирует речь. В примерах она лучше базовой модели передаёт английские слова внутри фраз на хинди; чистый английский остаётся ненадёжным, особенно в длинных фразах. Проверки на других индийских языках показывают возможное улучшение произношения английских вставок, но эти языки не были целью обучения, а оценка ограничена небольшим числом примеров.

Лицензия репозитория — Apache-2.0. README отдельно запрещает клонировать голос без согласия его носителя. Указанные в карточке языковые теги включают хинди и английский, а также тамильский, бенгальский, гуджарати, каннада, малаялам, маратхи, одия, панджаби и телугу; качество для языков, кроме хинди с английскими вставками, не гарантируется.

Сценарии применения

  • озвучивание фраз на хинди с английскими словами
  • синтез речи для двуязычных объявлений на хинди и английском
  • генерация реплик на хинди с заданием голоса по аудиообразцу

Ограничения

Чистый английский синтезируется ненадёжно: на длинных фразах модель может пропускать и искажать слова; генерация выполняется одним проходом без разбиения текста на фрагменты. Для большинства языков, кроме хинди с английскими вставками, обучение не проводилось, а оценка основана на небольшом числе примеров.

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

Indic Code-Switched TTS

Text-to-speech for Indian languages that pronounces embedded English words correctly. ai4bharat/IndicF5 fine-tuned on OpenSLR-104 Hindi-English speech.

Usage

pip install torch torchaudio torchdiffeq x-transformers vocos librosa soundfile transformers
from transformers import AutoModel
import soundfile as sf

model = AutoModel.from_pretrained(
    "Tharshan/indicf5_hindi-english_code_switch", trust_remote_code=True)

print(list(model.voices()))
# ['ritu_hinglish', 'ta_hinglish', 'bn', 'gu', 'kn', 'ml', 'mr', 'or', 'pa', 'te']

ref, ref_text = model.voice("ritu_hinglish")
audio, sr = model.generate(
    "मैं आज office जा रहा हूँ, morning में एक important meeting है।",
    ref_audio=ref, ref_text=ref_text)
sf.write("out.wav", audio, sr)

Your own voice — the transcript must match the clip exactly:

audio, sr = model.generate(text, ref_audio="my.wav", ref_text="exact transcript")

Match the reference voice to your text's language. It affects output quality more than any other setting.

Self-contained: weights, vocabulary, model code and ten reference voices ship in this repo. No gated downloads, no f5_tts install.

Training

Adapter-style training with a frozen backbone, sized to fit a Kaggle session.

Baseai4bharat/IndicF5 (F5-TTS DiT, 0.3B)
DataOpenSLR-104 Hindi-English
MethodAdapter / QLoRA, backbone frozen
Epochs20
Learning rate5e-5
Batch size19200 frames
Gradient accumulation4
Warmup steps500
Hardware2× NVIDIA T4, 32 GB combined (Kaggle)
Training time~10 hours
Vocab2546, unchanged
Sample rate24 kHz

Batch size is reduced from the 38400-frame default to fit T4 VRAM. A full fine-tune is not feasible in a single Kaggle session on this hardware.

Results

Whisper large-v3 transcripts of generated audio, same reference voice for both models. English words in bold.

Hindi — unchanged. CER 0.000 → 0.000.

Inputनमस्ते दोस्तों, आज का मौसम बहुत अच्छा है और मैं सोच रहा हूँ कि हम सब मिलकर पार्क में घूमने चलें।
Baseनमस्ते दोस्तों! आज का मौसम बहुत अच्छा है और मैं सोच रहा हूँ कि हम सब मिलकर पार्क में घूमने चले।
This modelनमस्ते दोस्तों, आज का मौसम बहुत अच्छा है और मैं सोच रहा हूं कि हम सब मिलकर पार्क में घूमने चलें

Hindi-English — what the model was trained for.

Inputमैं आज office जा रहा हूँ, morning में एक important meeting है और उसके बाद team के साथ new project discuss करना है।
Baseमैं आज अफे जा रहा हूँ ओडे में एक टहौर का निये है और उसके बाद एंग के साथ मिफ्रय इसस करना है
This modelमैं आज ओफिस जा रहा हूँ, मॉर्णिंग में एक इंपोर्टेंट मीटिंग है और उसके बाद टीम के साथ नी प्रोजेक्ट डिस्कस करना है

All six English words come through. Base produces nonsense in their place.

English only — improved but unreliable. CER 0.725 → 0.209.

InputThe weather is quite pleasant today, so we are planning to visit the park in the evening.
BaseAnjay, aur har sone jo isse sehar se hiye
This modelPlease send today. So we are planning to visit Titey Par.

Pure English was never the training target — the corpus is English embedded in Hindi. Base reads English text with Indic phonetics and is unusable; this model recovers part of it but drops and garbles words on longer input.

CER is reported only where the scripts match. On code-switched text it ranks the two models backwards: Whisper writes correctly-pronounced English in the local script (morning → मॉर्णिंग), so every correct English word scores as several character errors. Read the transcripts instead.

Other languages

Trained on Hindi-English only. No training data for any language below — yet the English rendering improves in all eight. Input in each case: "I'm going to office today, there's an important meeting in the morning".

LanguageBase IndicF5This model
Tamilநான் இன்னைக்கு நாப் ஹேவ் போறேன் மூனேல ஒரு எந்தாண்ட நேயை இருக்குநான் இன்னைக்கு அவ்வேச் செல்கிறேன் மார்ணிங்கல ஒரு இம்போர்ட்டன்ட் மீட்டி இருக்கிறது
Teluguనేను ఇరోజు నాఫె కి వెళ్లుతున్నాను ఉన్నే లో ఒక ఏహటోన ఈ ఉందినేను ఇరోజు ఓఫేస్ కి వేలుతున్నాను మోనింగ్ లో ఒక ఇంపోటంట్ మేటింగ్ ఉంది
Bengaliআমি আজাফে জাছি অনি একটা রিফান্ধ হো নেই আছেআমি আজ ওফিস জাছি মোনিঙে এ একটা ইম্পর
Kannadaನಾನು ಇವತ್ತು ನಭಾಯಗೆ ಹೋಗುತ್ತಿದ್ದೇನೆ ಮೋಣೆನಲ್ಲಿ ಒಂದು ಹೋಣಿ ಇಯಿ ಇದೆನಾನು ಇವತ್ ಓಫಿಸ್ಗೆ ಹೋಗುತ್ತಿದ್ದೇನೆ ಮೋರ್ಣಿಂಗ್ ನಲ್ಲಿ ಒಂದು ಇಂಪಾಟಂಟ್ ಮಿಟಿಂಗ್ ಇದೆ
Malayalamयान इन्न हफले की पोगुनु होरुनेल ओरु टेन्हान मेई उन्डज्यान इन्नो ओफेस लेक् पोगुनु मौर्णिंग ओरु इंपोर्टेंट मीटिंग उन्डो
Marathiमी आज ओफेल आजातोई ओणे मधे एक अहोन इई आहेमी आज ओफिसला जातोई मौर्णिंग मधेक इंपोर्टेंट मीटिंग आहे
Gujaratiહું આજે અફે જઈ રહ્યો છું હોણે માં એક હોર્ચણ એહી છેહું આજે ઓફેશ જાઈ રહેઓ છું મોર્નિંગમાં એક ઇંપોર્ટન્ટ મેટિંગ છે
Punjabiमੈ ਆਜ ਅਫਜਾਰੇ ਹਾਂ ਹੋਣੇ ਵੀਚ ਇਕ ਥੋਰਚਾ ਨੀਹੀ ਹੈमੈ ਆਜ ਆਫੇਸ ਜਾਰੇ ਆਹਾਂ ਮੋਰਣੀਂ ਵੀਚ ਇਕ ਇਮਪੋਟਨਟ ਮੀਟੀਂ ਹੈ

The capability appears to be script-level rather than tied to Hindi.

Pure-language controls

No English at all — these test whether the fine-tune cost anything.

LanguageBase IndicF5This model
Tamilவணக்கம் நண்பர்களே! இன்று வானிலை மிகவும் நன்றாக இருக்கிறது.வணக்கம் நண்பர்களே! இன்று வானிலை மிகவும் நன்றாக இருக்கிறது.
Teluguనమస్కారం మిత్రులార ఇరోజు వాతావరణం చాల బాగుందినమస్కారం మిత్రులార ఇరోజు వాతావరనం చాల బాగుంది
Bengaliনমস্কার বন্ধুরা, আজ আবোহাওয়া খুপ শুন্দরনমসকার বন্ধুরা, আজ আভাওয়া খুপ শুন্দর

Tamil is character-for-character identical. Telugu and Bengali differ by a single character. No catastrophic forgetting, despite a full fine-tune with no replay data.

Reference voices for Odia also ship here, but Whisper has no Odia support, so it isn't measured.

Audio for every row: samples/

Limitations

  • Pure English is improved over base but unreliable — words are dropped and garbled on longer input
  • Single-pass generation, no text chunking — one or two sentences at a time
  • office is correct in Hindi, Kannada and Marathi but garbled in Tamil, Telugu, Gujarati and Punjabi
  • Timbre is duller than base — training audio was upsampled from an ASR corpus
  • One sentence per language, transcribed by a single ASR model
  • Do not clone a voice without the speaker's consent

Credits

ai4bharat/IndicF5 (MIT) · F5-TTS (MIT) · OpenSLR-104

Training details, evaluation scripts and audio demos: GitHub

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
IndicF5Hinglish
Ревизия весов
fb6c082

0 моделей