/ Модель

Характеристики

Лицензия
MIT
Архитектура
parler_tts · dense
Базовая модель
indic-parler-tts
Библиотека
parler-tts
Опубликована
21 мая 2026

bhili-tts

Синтез речиТекст → аудио3 профессии

Модель AI4Bharat синтезирует речь на диалекте Дехвали языка бхили и позволяет управлять звучанием голоса текстовым описанием.

131скачиваний за 30 дней1лайквеса обновлены1 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

Bhili TTS — модель синтеза речи, разработанная AI4Bharat и дообученная на базе ai4bharat/indic-parler-tts для диалекта Дехвали языка бхили, на котором говорит община бхилов в западной Индии. Модель принимает текст на бхили письмом деванагари и текстовое описание голоса, а на выходе создаёт речь с частотой 44,1 кГц.

Описание голоса позволяет задавать пол, темп, высоту тона, выразительность и акустические условия записи. Модель обучена на 10 часах студийных записей речи; лицензия — MIT.

Обучающие данные преимущественно относятся к сельскохозяйственной тематике, поэтому качество синтеза в других областях может отличаться. Поддержка диалекта и письма ограничивает применение модели текстами на Дехвали бхили в деванагари.

Сценарии применения

  • озвучивание текстов на Дехвали бхили
  • создание аудиоматериалов для сельскохозяйственных тем на бхили
  • задание темпа и высоты голоса при синтезе речи
  • озвучивание фраз на бхили голосом с заданной выразительностью

Ограничения

Модель преимущественно обучалась на сельскохозяйственных данных, поэтому качество в других тематиках может отличаться. Она ориентирована на диалект Дехвали бхили и текст на деванагари.

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

Bhili TTS

A text-to-speech model for Bhili (भीली), specifically the Dehvali Bhili dialect, an Indo-Aryan language spoken by the Bhil community in western India.

This model is a fine-tuned version of ai4bharat/indic-parler-tts, trained on 10 hours of studio-quality Bhili speech data. The model accepts a Bhili sentence (in Devanagari script) and a natural-language voice description, and produces 44.1 kHz speech. Try out the model here!

Quick start

Install

pip install git+https://github.com/huggingface/parler-tts.git
pip install transformers soundfile

Generate speech

import torch
import soundfile as sf
from parler_tts import ParlerTTSForConditionalGeneration
from transformers import AutoTokenizer

device = "cuda:0" if torch.cuda.is_available() else "cpu"

model = ParlerTTSForConditionalGeneration.from_pretrained("ai4bharat/bhili-tts").to(device)
tokenizer = AutoTokenizer.from_pretrained("ai4bharat/bhili-tts")
description_tokenizer = AutoTokenizer.from_pretrained(model.config.text_encoder._name_or_path)

prompt = "अजैविक ताण व्यवस्थापन खातुर शेतकरी मल्चिंगु वापर केएते."
description = "A male speaker with a clear, moderate-paced voice. The recording is clean with no background noise."

input_ids = description_tokenizer(description, return_tensors="pt").input_ids.to(device)
prompt_ids = tokenizer(prompt, return_tensors="pt").input_ids.to(device)

generation = model.generate(input_ids=input_ids, prompt_input_ids=prompt_ids)
audio = generation.cpu().numpy().squeeze()
sf.write("bhili_out.wav", audio, model.config.sampling_rate)

Voice control via descriptions

You can steer the output voice by changing the description. The base Indic-Parler model understands attributes like:

  • Gender: male / female
  • Pace: slow / moderate / fast
  • Pitch: low / moderate / high
  • Expressiveness: monotone / neutral / expressive
  • Recording: clean studio / slight background noise / reverberant

Example descriptions:

# Calm, clear male narrator
"A male speaker with a moderate, calm voice and clean studio recording."

# Energetic female speaker
"A young female speaker with expressive, fast-paced delivery in a clean recording."

# Older male, slow and deliberate
"An older male speaker with a low pitch, speaking slowly and clearly."

⚠️ Limitations This model was predominantly trained on agricultural-domain data. As a result, performance on speech from domains outside agriculture may vary and may not be representative of the performance observed on agricultural-domain speech.

Как запустить

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

GPU в ailist

Универсальный рантайм · parler-tts

Нельзя запустить

Архитектура parler_tts неизвестна transformers в образе рантайма.

Класс архитектуры
ParlerTTSForConditionalGeneration
Ревизия весов
b2b1f40

0 моделей