/ Модель

Характеристики

Лицензия
MIT
Базовая модель
orpheus-3b-0.1-ft
Библиотека
transformers
Опубликована
12 авг 2026

Vyom-TTS-Hindi-3B

Синтез речиТекст → аудио4 профессии

Vyom TTS HI — дообученная модель для выразительного синтеза речи на хинди женским голосом с выводом WAV 24 кГц.

26скачиваний за 30 дней2лайкавеса обновлены12 окт 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

Vyom TTS HI — модель синтеза речи на хинди, разработанная OpenXfi by ATX Labs. Это дообученная на базе speech-LLM Orpheus 3B модель с адаптером LoRA r=64, alpha=128 и rsLoRA, обученная в 16-битной точности. Она принимает текст на хинди и генерирует выразительную речь женским голосом в формате WAV с частотой 24 кГц с помощью нейронного вокодера SNAC.

Модель предназначена для озвучивания регионального контента, аудиокниг и медиа, голосовых помощников, разговорных AI-агентов и средств чтения для людей, которым удобнее слушать текст. В оценке на 210 подсказках отдельно проверялись сложные фразы, обычная разговорная речь и числа. Для чисел авторы рекомендуют записывать их словами: синтез цифровых записей показал ограничения; английские заимствования и редкие акронимы также могут звучать с фонетическими артефактами.

Модель ориентирована на хинди и не предназначена для клонирования голоса или имитации людей без разрешения. Репозиторий распространяется под лицензией MIT.

Сценарии применения

  • озвучивание текстов и регионального медиаконтента на хинди
  • создание аудиокниг на хинди
  • голосовые интерфейсы и виртуальные помощники для хинди
  • чтение текстов вслух для инструментов доступности
  • озвучивание разговорных AI-агентов на хинди

Ограничения

Для лучшего произношения числа рекомендуется записывать словами; цифры могут синтезироваться хуже. Английские заимствования и редкие акронимы могут звучать с фонетическими артефактами; модель не предназначена для несанкционированного клонирования голоса или имитации людей.

Для каких профессий подходит4

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

image

Vyom TTS HI

Vyom TTS HI is a high-quality Text-to-Speech (TTS) model tailored for the Hindi language, featuring an expressive female voice. Built by fine-tuning the 3B speech-LLM base model (unsloth/orpheus-3b-0.1-ft) in 16-bit precision, it produces 24 kHz high-fidelity regional speech synthesis via the SNAC neural vocoder.

Model Details

Model Description

  • Developed by: OpenXfi by ATX Labs
  • Model Type: Fine-tuned Speech-LLM (Base: unsloth/orpheus-3b-0.1-ft)
  • Fine-Tuning Method: 16-Bit LoRA (r=64, lora_alpha=128, rsLoRA)
  • Language(s): Hindi (hi)
  • Voice Characteristics: Female voice
  • Audio Output: 24 kHz WAV (SNAC 24kHz Vocoder)
  • License: MIT

Uses

Direct Use

  • Generating localized Hindi voiceovers for regional content, audiobooks, and media.
  • Building conversational AI agents and regional virtual assistants.
  • Accessibility tools and reading assistants for Hindi text.

Out-of-Scope Use

  • Voice Cloning: The model is not designed or authorized for unauthorized voice cloning or deepfake generation.
  • Malicious Imitation: Generation of deceptive audio or unauthorized impersonation of individuals.

Evaluation & Benchmarks

Evaluation Dataset

The model was evaluated on a benchmark dataset of 210 Hindi evaluation prompts categorized into three core domains:

  1. Hindi Complex (60 prompts): Multi-clause sentences, high-level vocabulary, and long-form text.
  2. Hindi Normal (100 prompts): General everyday conversational Hindi text.
  3. Hindi Numbers (50 prompts): Sentences containing numbers written as digits and spelled-out words.

Evaluation Methodology

All synthesized 24 kHz Hindi audio samples were transcribed using AI4Bharat IndicConformer Multilingual ASR (ai4bharat/indic-conformer-600m-multilingual) to measure Word Error Rate (WER) and Character Error Rate (CER).

Empirical Results

CategoryPrompt CountWord Error Rate (WER)Character Error Rate (CER)
Hindi Complex600.16570.0401
Hindi Normal1000.29130.0579
Hindi Numbers500.45890.2885
Overall Average2100.29530.1077

Bias, Risks, and Limitations

  • Numerical Formatting: Basic numerical functionality provided. Optimal synthesis performance is achieved when numbers are written out as text words in Hindi (e.g., "एक सौ पचास") rather than raw numeric digits (e.g., "१५०").
  • English Loanwords & Acronyms: Code-mixed English words or uncommon acronyms may produce minor phonetic artifacts.

How to Get Started with the Model

Prerequisites

Install the required dependencies:

pip install torch transformers snac soundfile

Path A: Direct Model Generation (generate_speech)

import os, torch, soundfile as sf
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "atx-labs/voice-hindi-female"
hf_token = os.environ.get("HF_TOKEN")

tokenizer = AutoTokenizer.from_pretrained(repo_id, token=hf_token)
model = AutoModelForCausalLM.from_pretrained(
    repo_id, trust_remote_code=True, torch_dtype=torch.bfloat16, token=hf_token
).to("cuda").eval()

# Synthesize speech directly
waveform = model.generate_speech("नमस्ते, आपका स्वागत है।", tokenizer)

# Save 24 kHz WAV audio
sf.write("output_hi.wav", waveform, 24000)
print("✅ Audio generated and saved to output_hi.wav!")

Path B: transformers Pipeline

import os, torch, soundfile as sf
from transformers import pipeline

repo_id = "atx-labs/voice-hindi-female"
hf_token = os.environ.get("HF_TOKEN")

# Initialize TTS pipeline
tts = pipeline("text-to-speech", model=repo_id, trust_remote_code=True, device=0, token=hf_token)

# Synthesize speech
output = tts("नमस्ते, आपका स्वागत है।")

# Save 24 kHz WAV audio
sf.write("output_hi.wav", output["audio"], output["sampling_rate"])
print("✅ Audio generated and saved to output_hi.wav!")

Contributors

Acknowledgements

Special thanks to Modal for providing the compute infrastructure to fine-tune, evaluate, and deploy our models.

About OpenXFI

Vyom TTS is released as part of OpenXFI, an open-source Indic AI initiative by ATX Labs. OpenXFI builds and openly releases foundational models, benchmarks, and datasets for Indian languages — with the goal of making high-quality Indic AI accessible to researchers, developers, and institutions across the country.

Explore the wider release, including our Indic evaluation benchmark and open datasets, at openxfi.com.

Citation

If you use this model in your research or applications, please cite both the model and the OpenXFI initiative:

@misc{vyomttsxfi2026,
  title        = {Vyom TTS: Open Indic Text-to-Speech Models},
  author       = {Joshi, Mrugaja and Pathak, Guruprasad},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/atx-labs}},
  note         = {Released as part of OpenXFI by ATX Labs. Compute provided by Modal (https://modal.com).}
}
@misc{openxfi2026,
  title        = {OpenXFI: Shaping India's AI, Together},
  author       = {{ATX Labs}},
  year         = {2026},
  url          = {https://openxfi.com}
}

We also encourage citing the upstream work this model builds on — the Orpheus base model and the SNAC neural audio codec.

Contact

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
7074d2f

0 моделей