/ Модель

Характеристики

Параметры
3,6 млн
Лицензия
MIT
Архитектура
vits · dense
Опубликована
25 ноя 2024

ljspeech_vits_ms_istft

Синтез речиТекст → аудио3 профессии

Одноголосая модель VITS с декодером iSTFT преобразует текст в естественно звучащую речь с высокой скоростью синтеза.

13скачиваний за 30 дней6лайковвеса обновлены9 янв 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.

  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

Это модель синтеза речи VITS с декодером iSTFT, разработанная на основе официального чекпойнта VITS и обученная на наборе LJ Speech. Она преобразует входной текст в речевую волну; модель рассчитана на один голос и подходит для синтеза речи в реальном времени и на периферийных устройствах. В README заявлены естественное звучание и коэффициент реального времени 0,066 на процессоре Intel Core i7 — примерно в 4,1 раза быстрее исходного VITS.

Модель содержит 3,6 млн параметров, распространяется в формате safetensors и доступна по лицензии MIT. Данных о поддерживаемых языках в предоставленных источниках нет; обучающий набор LJ Speech обычно связан с англоязычной речью, но язык для этой конкретной карточки явно не подтверждён.

Сценарии применения

  • синтез речи из текста одним голосом
  • озвучивание коротких текстов на периферийном устройстве
  • генерация речи для приложений с низкой задержкой

Ограничения

Модель рассчитана на один голос и может быть ограничена характеристиками обучающего набора LJ Speech. Заявленная скорость измерена на Intel Core i7; фактическая производительность зависит от оборудования.

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

VITS: Conditional Variational Autoencoder with Adversarial Learning for End-to-End Text-to-Speech

VITS 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, decoder, and conditional prior. This repository contains the weights for the official VITS checkpoint trained on the LJ Speech dataset.

VITS ISTFT: New decoder synthesized speech as natural as that synthesized by VITS while achieving a real-time factor of 0.066 on an Intel Core i7 CPU, 4.1 times faster than original VITS. Suitable for real-time and edge device applications

CheckpointTrain HoursSpeakers
ljspeech_vits_ms_istft241
ljspeech_vits_mb_istft241
ljspeech_vits_istft241

Usage

To use this checkpoint, first install the latest version of the library:

pip install --upgrade transformers accelerate

Then, run inference with the following code-snippet:

from transformers import AutoModel, AutoTokenizer
import torch
import numpy as np

model = AutoModel.from_pretrained("anhnct/ljspeech_vits_ms_istft", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("anhnct/ljspeech_vits_ms_istft")

text = "Hey, it's Hugging Face on the phone"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    output = model(**inputs).waveform

The resulting waveform can be saved as a .wav file:

import scipy

data_np = output.numpy()
data_np_squeezed = np.squeeze(data_np)
scipy.io.wavfile.write("techno.wav", rate=model.config.sampling_rate, data=data_np_squeezed)

Or displayed in a Jupyter Notebook / Google Colab:

from IPython.display import Audio

Audio(data_np_squeezed, rate=model.config.sampling_rate)

License

The model is licensed as MIT.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
9c42c57

0 моделей