Характеристики

Параметры: 3,6 млн
Архитектура: vits · dense
Опубликована: 4 янв 2025

Ссылки

Hugging Face

MMS-TTS-THAI-MALEV1

VIZINTZOR

Синтез речиТекст → аудио3 профессии

Дообученная VITS-модель преобразует тайский текст в речь мужским голосом.

67скачиваний за 30 дней6лайковвеса обновлены9 мар 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

Открыть конструктор бенчмарка

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

VIZINTZOR/MMS-TTS-THAI-MALEV1 — дообученная модель синтеза речи на архитектуре VITS, созданная на основе аудиозаписей Play.ht. Она предназначена для преобразования тайского текста в речь с мужским голосом. В метаданных указаны 3,6 млн параметров и формат safetensors.

Модель подходит для локального синтеза тайской речи и экспериментов с настройкой голосовых моделей. README содержит ссылки на инструкции по дообучению в Google Colab и локальному использованию. Лицензия в доступных сведениях не указана.

Сценарии применения

синтез тайской речи мужским голосом
озвучивание тайских фраз и текстов
локальная генерация речи на тайском языке
эксперименты с дообучением моделей синтеза речи

Ограничения

README сообщает об использовании аудиозаписей Play.ht, но условия лицензирования этих записей и модели не приведены. Доступные сведения не описывают качество речи и ограничения применения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

โมเดลนี้ใช้ เสียงที่บันทึกจาก Play.ht : https://play.ht/ เพื่อนำมา finetune model.

Finetune โมเดลโค้ด GitHub : https://github.com/VYNCX/finetune-local-vits

Finetune-colab เทรนโมเดลเสียงด้วยตัวเองบน Google Colab

ใช้งาน บน local คอมพิวเตอร์ https://github.com/VYNCX/VachanaTTS

การใช้งาน :

import torch
from transformers import VitsTokenizer, VitsModel, set_seed
import scipy

tokenizer = VitsTokenizer.from_pretrained("VIZINTZOR/MMS-TTS-THAI-MALEV1",cache_dir="./mms")
model = VitsModel.from_pretrained("VIZINTZOR/MMS-TTS-THAI-MALEV1",cache_dir="./mms")

inputs = tokenizer(text="สวัสดีครับ นี่คือเสียงพูดภาษาไทย", return_tensors="pt")

set_seed(456)  # make deterministic

with torch.no_grad():
   outputs = model(**inputs)

waveform = outputs.waveform[0]

# Convert PyTorch tensor to NumPy array
waveform_array = waveform.numpy()

scipy.io.wavfile.write("techno_output.wav", rate=model.config.sampling_rate, data=waveform_array)

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: VitsModelForPreTraining
Ревизия весов: 16011c5