/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Llama-3.2-3B
Опубликована
27 сен 2026

indic-speak-int8-onnx

Синтез речиТекст → аудио

Квантованные версии Indic-Speak преобразуют текст в выразительную речь на 22 языках Индии и английском для локального синтеза на устройствах с ограниченными ресурсами.

253скачиваний за 30 дней2лайкавеса обновлены27 сен 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

Indic-Speak INT8 ONNX & GGUF — производные квантованные версии модели синтеза речи Indic-Speak preview v2, подготовленные сообществом на основе разработки Bodhan AI / AI4Bharat. Модель преобразует текст в естественную речь на 22 официальных языках Индии и английском, поддерживает региональную выразительность и разные голосовые персоны; в README заявлено более 46 голосов. Акустическая часть основана на Llama 3.2 3B, а вокодер Vocos восстанавливает аудиоволну с частотой 24 кГц.

Репозиторий предоставляет варианты GGUF Q5_K_M и Q8_0, а также INT8 ONNX, рассчитанные на запуск на устройствах с ограниченными ресурсами. README сообщает о меньшем размере файлов и сниженной задержке INT8-вокодера на CPU относительно FP32; заявленная идентичность качества относится к сравнению вариантов вокодера. Модель предназначена для приватного локального синтеза речи и приложений на индийских языках. Указана лицензия Indic Open Model License v1.0 с обязательным указанием атрибуции: «Built with Indic-Speak from Bodhan AI / AI4Bharat.»

Сценарии применения

  • озвучивание текста на языках Индии
  • локальная генерация речи в мобильных и edge-приложениях
  • создание аудиоверсий учебных материалов на хинди и других индийских языках
  • озвучивание интерфейсов и голосовых подсказок
  • синтез речи с выбором голосовой персоны

Ограничения

README описывает превью upstream-модели и не приводит независимой оценки качества по языкам; результаты могут зависеть от выбранного голоса и варианта квантования. Для распространения и производных работ требуется атрибуция Bodhan AI / AI4Bharat.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Acoustic Backbone Vocoder GGUF Voices Languages License

Indic-Speak (INT8 ONNX & GGUF)

High-Fidelity, Low-Latency Multilingual Text-to-Speech Synthesis for 23 Indian Languages + English.

This repository contains edge-optimized, quantized GGUF and INT8 ONNX derivatives of Bodhan AI's Indic-Speak (preview v2) model. It enables private, on-device, high-fidelity neural speech generation with natural cadence, regional expressiveness, and multi-speaker personas across all 22 scheduled Indian languages plus English.

Mandatory Attribution: Built with Indic-Speak from Bodhan AI / AI4Bharat.


Model Provenance & Architecture

Phonetic Text Input + Speaker Prompt
                │
                ▼
  ┌───────────────────────────┐
  │   Acoustic Transformer    │  Llama 3.2 3B (GGUF Q8_0 / Q5_K_M)
  │ (Autoregressive Generation)│  Generates discrete speech tokens
  └─────────────┬─────────────┘
                │
                ▼
  ┌───────────────────────────┐
  │    Vocos Neural Vocoder   │  INT8 ONNX (79.8 MB, 13.3 ms CPU)
  │    (iSTFT 257-bin 24kHz)  │  Synthesizes natural waveform audio
  └─────────────┬─────────────┘
                │
                ▼
         24 kHz WAV Audio

Quantization Benchmarks

1. Storage & Compression

ComponentVariantSizeFormatReduction
Acoustic Model (Llama 3.2)Upstream FP326.60 GBSafeTensorsBaseline
Acoustic Model (Llama 3.2)Q8_03.27 GBGGUF50.5% reduction
Acoustic Model (Llama 3.2)Q5_K_M2.23 GBGGUF66.2% reduction
Vocos Neural VocoderUpstream FP32222.7 MBONNXBaseline
Vocos Neural VocoderINT8 Quantized79.8 MBONNX64.2% reduction

2. Runtime Vocoder Latency (CPU)

Vocoder VariantCPU Latency (ms / chunk)Real-Time Factor (RTF)Output Quality
FP32 ONNX38.4 ms0.048xCrystal Clear
INT8 ONNX13.3 ms0.016xIdentical to FP32

Benchmarked on standard Intel Core i7 CPU. Synthesizing 10 seconds of 24 kHz audio requires under 150 ms of vocoder processing time!


Voice Catalog (Selected Highlights)

Indic-Speak supports over 46 curated native personas across all 23 languages. See voices.md for the complete list.

LanguageSpeaker CodeGenderPersona Style
Odiaodia_female_itishreeFemaleFormal, broadcast, melodic cadence
Odiaodia_male_akashMaleDeep, authoritative, storytelling
Hindihindi_female_kalpanaFemaleClear, conversational, educational
Hindihindi_male_prabhatMaleExpressive, energetic narration
Bengalibengali_male_debashisMaleWarm, formal literature cadence
Bengalibengali_female_tanushreeFemaleNatural conversational tone
Tamiltamil_female_ananyaFemaleCrisp, modern vernacular
Telugutelugu_male_raviMaleArticulate, corporate & news
Kannadakannada_female_meeraFemaleMelodic, educational narration
Englishenglish_female_radhikaFemaleIndian-accented global English

Repository Contents

├── .gitattributes
├── LICENSE                    # Bodhan AI Open Model License v1.0
├── LICENSE_DEED.md            # Plain language license deed
├── NOTICE.md                  # Attribution notices and base architecture credits
├── README.md                  # This documentation
├── banner.png                 # Model banner
├── voices.md                  # Comprehensive catalog of speakers & personas
├── token_contract.md          # Audio token dictionary intervals
├── inference.py               # Complete reference inference script
├── config/
│   ├── config.json            # Acoustic transformer architecture
│   ├── generation_config.json # Generation hyperparameter settings
│   └── tokenizer_config.json  # Tokenizer settings
├── tokenizer/
│   └── tokenizer.json         # Vocabulary and merges (22.6 MB)
├── vocos/
│   ├── config.yaml            # Vocos backbone configuration
│   ├── best.pt                # PyTorch vocoder weights (445 MB)
│   ├── load.py                # Vocoder loading utility
│   └── model.py               # Model definition
├── onnx/
│   ├── vocos_backbone_int8.onnx # Quantized neural vocoder (79.8 MB)
│   └── vocos_backbone.onnx      # Full-precision vocoder (222.7 MB)
├── gguf/
│   ├── indic-speak-q8_0.gguf    # Llama 3.2 acoustic model (3.27 GB)
│   └── indic-speak-q5_k_m.gguf  # Llama 3.2 acoustic model (2.23 GB)
└── metadata/
    ├── manifest.json          # Deployment metadata & signatures
    └── checksums.sha256       # Cryptographic hashes

Quickstart: Python & ONNX Inference

1. Installation

pip install onnxruntime soundfile numpy torch

2. Synthesizing Audio with INT8 ONNX Vocos

import numpy as np
import onnxruntime as ort
import soundfile as sf
from huggingface_hub import hf_hub_download

REPO_ID = "adidsh/indic-speak-int8-onnx"

# 1. Download INT8 ONNX Vocoder
vocos_onnx_path = hf_hub_download(repo_id=REPO_ID, filename="onnx/vocos_backbone_int8.onnx")

# 2. Initialize ONNX Runtime Session
sess = ort.InferenceSession(vocos_onnx_path, providers=["CPUExecutionProvider"])

# 3. Vocos iSTFT synthesis
# Features tensor: shape [batch, channels, seq_len]
dummy_features = np.random.randn(1, 512, 100).astype(np.float32)
mag, phase = sess.run(None, {"features": dummy_features})

# Reconstruct 24kHz waveform via iSTFT (n_fft=512, hop_length=128)
stft_spec = mag * np.exp(1j * phase)
# Convert complex spectrogram back to audio waveform
print("Vocos INT8 ONNX Vocoder successfully initialized!")

3. Running Acoustic Generation via GGUF

# Execute speech token generation with quantized GGUF
./llama-cli \
  -m indic-speak-q8_0.gguf \
  --prompt "<|speaker:odia_female_itishree|> କେଉଁଠି ପାଣିରେ ବୁଡ଼ିଲା ଘରଦ୍ୱାର..." \
  -n 256 \
  --threads 4

Licensing & Attribution

This model is licensed under the Indic Open Model License v1.0.

Required Attribution

Any distribution, application, or derivative work utilizing this model must prominently include the notice:

"Built with Indic-Speak from Bodhan AI / AI4Bharat."

Key License Provisions

  1. Commercial & Non-Commercial Use: You are free to run, self-host, fine-tune, distill, quantize, and embed this model into your products and applications.
  2. Derivative Works Copyleft: Any derivative model distributed to third parties must carry the exact Indic Open Model License v1.0.
  3. No Multi-Tenant Hosting: Providing a multi-tenant public hosted API or SaaS endpoint directly exposing the model's inference requires prior written approval from Bodhan AI (unless covered by the Open-Release Waiver in Section 4).
  4. Acceptable Use & Harm Prevention: Strict prohibition against voice cloning of real persons without consent, deepfakes, robocalls, auto-dialers, voice-phishing (vishing), and romance-simulation companions.
  5. High-Volume Threshold: Deployments exceeding 500 million monthly active users or $250 million annual revenue require a separate commercial agreement.

For full legal terms, see LICENSE and LICENSE_DEED.md.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
96d8365

0 моделей