/ Модель

Характеристики

Параметры
3,6 млн
Лицензия
CC BY-NC 4.0
Архитектура
vits · dense
Библиотека
transformers
Опубликована
5 июл 2026

torongo-tts-as

Синтез речиТекст → аудио3 профессии

Torongo-TTS-AS преобразует ассамский текст в речь нейтральным женским голосом с частотой 16 кГц.

157скачиваний за 30 дней0лайковвеса обновлены6 июл 2026

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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

Torongo-TTS-AS — односпикерная модель синтеза речи на ассамском языке, разработанная Anand Dey. Она использует архитектуру VITS и преобразует текст в речевую волну с частотой 16 кГц; встроенный нормализатор обрабатывает числа, даты, английские слова и символы. Модель обучена на наборе данных ananddey/assamese-single-fem-dataset и предназначена для озвучивания коротких фраз и предложений женским голосом. README указывает около 36 млн параметров, тогда как метаданные каталога — 3,6 млн, поэтому размер модели по доступным источникам расходится. Модель доступна через Transformers и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель поддерживает только ассамский язык и один нейтральный женский голос; она лучше работает с короткими высказываниями, не предоставляет управления эмоциями и просодией и рассчитана на частоту дискретизации 16 кГц. Другие языки могут давать неразборчивую речь.

Сценарии применения

  • озвучивание коротких фраз и предложений на ассамском языке
  • создание женской голосовой озвучки для материалов на ассамском языке
  • синтез речи из текста с числами, датами и символами на ассамском

Ограничения

Модель поддерживает только ассамский язык и один нейтральный женский голос, лучше работает на коротких высказываниях и не позволяет управлять эмоциями или просодией. Она рассчитана на выходную частоту 16 кГц; сведения о размере расходятся: README указывает около 36 млн параметров, метаданные — 3,6 млн.

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

Torongo-TTS-AS

Torongo-TTS-AS is a single-speaker Assamese (as) text-to-speech (TTS) model that synthesises written Assamese into a natural, expressive female voice.

The model is based on the VITS architecture and is lightweight (~36M parameters), running comfortably on a consumer grade CPU and mobile device. It performs end to end synthesis, mapping input text directly to a 16 kHz waveform, and ships with a built in Assamese text normaliser that speaks numbers, dates, English words, and symbols the way a person naturally would.

Torongo-TTS-AS is available in the 🤗 Transformers library and can be loaded directly with VitsModel.

👉 Try it live: Interactive demo on Hugging Face Spaces

Model architecture details

VITS (Variational Inference with adversarial learning for end to end Text-to-Speech) is an end to end speech synthesis model that predicts a speech waveform conditional on an input text sequence. It is a conditional variational autoencoder (VAE) comprised of a posterior encoder, a decoder, and a conditional prior. A stochastic duration predictor allows the model to synthesise speech with different rhythms from the same input text, making generation non deterministic.

ArchitectureVITS
Training datasetananddey/assamese-single-fem-dataset
Parameters~36 M
Sampling rate16 000 Hz
LanguageAssamese (asm)
TokenizerVitsTokenizer
Speaking rate1.0 (adjustable at inference time)
Framework🤗 Transformers ≥ 4.36.2, PyTorch

Generated samples

Listen to the samples below, or try your own text in the live demo.

SampleTextAudio
Greetingআদৰণি জনাইছোঁ। তৰংগৰ জগতখনলৈ আপোনাক স্বাগতম।
Numbers & dateআজি ২০২৬ চনৰ ৫ জুলাই। বতৰটো আজি বৰ ধুনীয়া হৈছে।
Poeticবতাহত ভাঁহি আহে পুৱাৰ কোমল গান, দূৰ আকাশত জ্বলি উঠে সোনালী অভিমান।
Informativeঅসম ভাৰতৰ উত্তৰ-পূৱ অঞ্চলত অৱস্থিত এখন ৰাজ্য। ইয়াৰ ৰাজধানী দিছপুৰ।
Everydayআজি বহুত দিনৰ মূৰত ঘৰলৈ আহি মাৰ হাতৰ ৰন্ধা খাই বৰ ভাল লাগিল।

Quick start

Python API

Step 1 — Create a project folder

mkdir torongo-tts && cd torongo-tts

Step 2 — Install dependencies

pip install "transformers>=4.36.2" huggingface_hub torch numpy scipy

Step 3 — Download the text normaliser

assamese_normalizer.py is not part of the model weights, so download it once:

huggingface-cli download ananddey/torongo-tts-as assamese_normalizer.py --local-dir .

Step 4 — Generate speech

Run from the folder containing assamese_normalizer.py:

import numpy as np
import scipy.io.wavfile
from transformers import pipeline

from assamese_normalizer import normalize_assamese_text

pipe = pipeline("text-to-speech", model="ananddey/torongo-tts-as")

text = normalize_assamese_text("আজি ২০২৬ চনৰ ৫ জুলাই।")
speech = pipe(text)

int16 = np.clip(speech["audio"].squeeze() * 32767.0, -32768.0, 32767.0).astype(np.int16)
scipy.io.wavfile.write("output.wav", rate=speech["sampling_rate"], data=int16)

Or use VitsModel :

import numpy as np
import scipy.io.wavfile
import torch
from transformers import AutoTokenizer, VitsModel

from assamese_normalizer import normalize_assamese_text

model = VitsModel.from_pretrained("ananddey/torongo-tts-as")
tokenizer = AutoTokenizer.from_pretrained("ananddey/torongo-tts-as")
model.eval()

model.config.speaking_rate = 0.9  # optional speaking rate: < 1.0 = slower

text = normalize_assamese_text("নমস্কাৰ, আপোনাৰ দিনটো শুভ হওক।")
inputs = tokenizer(text, return_tensors="pt")

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

waveform = outputs.waveform.squeeze().numpy()
int16 = np.clip(waveform * 32767.0, -32768.0, 32767.0).astype(np.int16)
scipy.io.wavfile.write("output.wav", rate=model.config.sampling_rate, data=int16)

CLI: inference.py

A command line alternative option for audio generation.

Step 1 — Create a project folder

mkdir torongo-tts && cd torongo-tts

Step 2 — Install dependencies

pip install "transformers>=4.36.2" huggingface_hub torch numpy scipy

Step 3 — Download the scripts

huggingface-cli download ananddey/torongo-tts-as inference.py assamese_normalizer.py --local-dir .

Step 4 — Run

python inference.py --text "নমস্কাৰ, আপোনাৰ দিনটো শুভ হওক।" --out output.wav

Flags: --speed 0.9 (slower), --no-norm (skip normalisation).

Training

The model was trained on the ananddey/assamese-single-fem-dataset.

SettingValue
Training samples~10 049 (re-split from the 11.3 k dataset)
Validation samples1 500
Batch size32
Epochs80
Learning rate2e-5
LR scheduleExponentialLR
Mixed precisionbf16
Mel loss weight35
Discriminator loss weight3
Duration loss weight1
KL loss weight1.5

The discriminator weights used during training were removed from the final checkpoint so it loads cleanly with VitsModel for inference.

Training curves

Validation mel loss steadily decreased over training, and the train/validation curves track closely, indicating stable convergence without overfitting.

Validation mel loss

Train vs validation mel loss

Limitations

  • Single speaker: The model produces only one female voice. It cannot generate male voices or switch between speakers.
  • 16 kHz only: The model was trained and runs at 16 000 Hz. It does not support higher sample rates.
  • Assamese only: Trained exclusively on Assamese text. Other languages will produce unintelligible output.
  • Short utterances: Works best on sentence-length text.
  • No emotional control: The model always produces a neutral reading style. There is no mechanism to control prosody, emotion or emphasis.

License

This model is released under CC BY-NC 4.0.

Model card author

Developed by Anand Dey (@ananddey, ananddey.nic@gmail.com).

Citation

If you use this model, please cite the dataset:

@dataset{dey2026assamesesinglefem,
  title      = {Assamese Single Female TTS Dataset},
  author     = {Anand Dey},
  year       = {2026},
  publisher  = {Hugging Face},
  url        = {https://huggingface.co/datasets/ananddey/assamese-single-fem-dataset},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
ef7777c

0 моделей