/ Модель

Характеристики

Лицензия
CC BY-SA 4.0
Библиотека
kala-tts
Опубликована
4 мая 2026

real-nepali-v0.2-kala

Синтез речиТекст → аудио3 профессии

Многоголосая модель VITS преобразует непальский текст в речь с помощью фонетического фронтенда, настроенного на произношение Катманду.

2 337скачиваний за 30 дней2лайкавеса обновлены13 июн 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

Kala Nepali TTS v0.2 — модель синтеза речи на непальском языке от ampixa. Это многоголосая модель VITS в формате FP32 ONNX, использующая фонетический фронтенд real_nepali на основе правил и словаря, настроенный на фонологию Катманду. Синтез выполняется с частотой 22 050 Гц; модель рассчитана на запуск на CPU и, по данным карточки, работает быстрее реального времени.

Модель предназначена для преобразования непальского текста в речь. Фронтенд учитывает палатальные звуки, долгие согласные и правила выпадения шва, а среди доступных голосов есть записи людей и корпусный голос. Лицензия репозитория — CC BY-SA 4.0.

Качество естественности ограничено небольшим объёмом данных для голоса kala: просодия может быть ровной в длинных фразах. Пунктуация обрабатывается вставкой пауз, незнакомые слова могут читаться побуквенно, а смешанные непальские и английские цифры — давать неожиданный результат.

Сценарии применения

  • озвучивание непальского текста несколькими голосами
  • создание непальской речи для демонстрационных приложений
  • генерация аудио для непальских текстовых материалов

Ограничения

Для голоса kala использовано мало обучающих записей, поэтому интонация на длинных фразах может быть ровной; пунктуация задаёт паузы, но не обученные интонационные контуры. Незнакомые слова читаются по буквенным правилам, а смешанные непальские и английские цифры могут произноситься неожиданно.

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

Kala — Nepali TTS v0.2

The first open-source Nepali TTS model built on a hand-crafted G2P — no eSpeak.

Kala is a multi-speaker VITS model trained with the real_nepali G2P frontend: a rule-and-lexicon system grounded in Khatiwada 2009 and tuned to mainstream Kathmandu Nepali phonology. The ONNX model runs on CPU in real time (RTF ≈ 0.02 — 50× faster than real time on a laptop).

▶ Try it live: ampixa-real-nepali-tts.hf.space


Why a new G2P?

eSpeak-ng's ne voice was designed for phoneme coverage, not phonological accuracy. It maps Nepali affricates to alveolar labels (ts, tsh) that do not match how Kathmandu speakers produce च and छ. It silently loses gemination and does not handle Latin code-switching at all.

The real_nepali frontend:

FeatureeSpeak nereal_nepali
च / छts / tsh (alveolar)ch / chh (palatal)
Geminationoften lostexplicit : tokens
Schwa deletionheuristicrule-based, audited
Latin code-switchundefinedletter-by-letter or override lexicon
Phone inventory~3548 phones + geminated variants
Lexiconnone48 000-entry curated lexicon

On the NepTTS-Bench minimal-pairs test (365 sentences), the frontend reaches 99.5 % minimal-pair contrast preservation against the reference IPA transcriptions.


Available speakers

SpeakerIDData typeTraining hours
kala2human studio0.37 h
barsha1human recording1.62 h
slr143_F3corpus (OpenSLR-143)1.01 h
slr43_05464corpus (OpenSLR-43)0.62 h
slr43_20995corpus (OpenSLR-43)0.51 h

Recommended speaker: kala for demo and production use. The corpus speakers (slr143_F, slr43_*) have good prosody but recording conditions vary; barsha is the second-best human voice.


Quick start (Python)

pip install kala-tts
import kala_tts

# Returns WAV bytes (16-bit PCM, 22050 Hz mono)
wav = kala_tts.synthesize("नमस्कार, कसरी हुनुहुन्छ?", speaker="kala")

# Write directly to a file
kala_tts.synthesize_to_file(
    "नेपाल सुन्दर देश हो।",
    "output.wav",
    speaker="kala",
)

# List available speakers
print(kala_tts.list_speakers())
# ('kala', 'barsha', 'slr143_F', 'slr43_0546', 'slr43_2099')
# CLI
kala-tts "नमस्कार, कसरी हुनुहुन्छ?" --speaker kala -o out.wav
kala-tts --list-speakers

The first call downloads the ONNX model (~60 MB) from this repo and caches it locally via huggingface_hub.


Manual inference (no pip)

Download the ONNX and config files from this repo, then:

git clone https://github.com/Ampixa/nepa-newa-text-frontend
cd nepa-newa-text-frontend
pip install onnxruntime huggingface_hub numpy
python -m kala_tts "नमस्कार" -o out.wav

Or use piper directly:

pip install piper-tts
echo "नमस्कार, कसरी हुनुहुन्छ?" | \
  piper --model real_nepali_v02_kala.fp32.onnx --speaker_id 2 --output_file out.wav

ONNX model details

PropertyValue
Filereal_nepali_v02_kala.fp32.onnx
FormatFP32 ONNX (VITS encoder + decoder fused)
Sample rate22050 Hz
Inputsinput (int64 phone IDs), input_lengths, scales, sid
Speakers6 (use sid to select)
RTF on laptop CPU~0.02 (50× real-time)

Training details

ItemValue
Base checkpointpiper-plus multilingual (302 MB)
ArchitectureVITS + monotonic attention
Total training rows4 338
Total training hours8.61 h
Training epochs1 000
Frameworkpiper-plus (patched for Nepali)
HardwareNVIDIA L40S 46 GB

Checkpoint SHA-256:

2b36b27f42e8549658676f953704573a31e2155fc95ec5d6407561e9fc4797fa

Training data

SpeakerSourceRowsHoursLicense
algenibGemini-Flash synthetic (excluded from v0.2 public release)1 9844.47 hinternal
barshaHuman recital8081.62 hCC-BY-SA-4.0
kalaHuman studio2000.37 hCC-BY-SA-4.0
slr143_FOpenSLR-1435661.01 hCC-BY-SA-4.0
slr43_0546OpenSLR-435050.62 hCC-BY-SA-4.0
slr43_2099OpenSLR-432750.51 hCC-BY-SA-4.0

Known limitations

  • Naturalness gap: Trained on only 200 utterances for the Kala voice; prosody can be flat on long sentences.
  • Punctuation awareness: Periods, commas, and question marks are handled via deterministic pause insertion — the model does not learn intonation contours from punctuation tokens.
  • OOV words: Unknown Devanagari words fall back to letter-by-letter rules. The 48 000-entry lexicon covers ~95% of common vocabulary.
  • Numbers: Digits are read in Nepali word order; mixed Nepali/English numerals may produce unexpected output.

Citation

@misc{ampixa2026kala,
  title  = {Kala: CPU-native Nepali Text-to-Speech with a hand-crafted G2P},
  author = {Ampixa},
  year   = {2026},
  url    = {https://huggingface.co/ampixa/real-nepali-v0.2-kala},
}

Phonological foundation: Khatiwada (2009), Nepali, Journal of the International Phonetic Association, 39(3), 373–380.


License

Model weights and code: CC-BY-SA 4.0 Training corpus (OpenSLR-143, OpenSLR-43): CC-BY-SA 4.0 G2P lexicon seed (google/language-resources ne/): CC-BY 4.0

Как запустить

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

GPU в ailist

Универсальный рантайм · kala-tts

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
90a66e8

0 моделей