/ Модель

Характеристики

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

Vyom-TTS-Marathi-3B

Синтез речиТекст → аудио

Vyom TTS MR — дообученная речевая LLM для выразительного синтеза мужской речи на маратхи в формате WAV 24 кГц.

0скачиваний 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 MR — модель синтеза речи на маратхи, разработанная OpenXfi by ATX Labs. Это дообученная на базе unsloth/orpheus-3b-0.1-ft речевая LLM семейства Llama с 3 млрд параметров; модель обучалась методом LoRA в 16-битной точности и использует вокодер SNAC для генерации WAV-аудио с частотой 24 кГц. Она рассчитана на выразительный мужской голос и озвучивание текста на маратхи.

Модель подходит для создания локализованных озвучек учебных материалов, аудиокниг и медиаконтента, а также для голосовых помощников и средств чтения текста на маратхи. В оценке на 210 примерах качество распознавания синтезированной речи различалось по категориям: WER составил 0,1382 для сложных текстов, 0,1998 для обычных и 0,3170 для примеров с числами. Числа обычно лучше произносить, если записывать их словами; редкие имена, санскритизированные заимствования и иностранные технические термины могут вызывать акустические артефакты. Лицензия — MIT.

Сценарии применения

  • озвучивание учебных материалов на маратхи
  • создание аудиокниг на маратхи
  • локализация озвучки медиаконтента на маратхи
  • синтез речи для голосового помощника на маратхи
  • чтение текстов на маратхи для приложений доступности

Ограничения

Для лучшего произношения числа рекомендуется записывать словами на маратхи; при редких именах, сложных санскритизированных заимствованиях и иностранных технических терминах возможны акустические артефакты. Модель не предназначена для клонирования голосов и обманной имитации личности.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

image

Vyom TTS MR

Vyom TTS MR is a specialized Text-to-Speech (TTS) model designed for the Marathi language, featuring an expressive male voice. Built by fine-tuning the 3B speech-LLM base model (unsloth/orpheus-3b-0.1-ft) in 16-bit precision, it delivers high-fidelity 24 kHz 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): Marathi (mr)
  • Voice Characteristics: Male voice
  • Audio Output: 24 kHz WAV (SNAC 24kHz Vocoder)
  • License: MIT

Uses

Direct Use

  • Generating localized Marathi voiceovers for educational content, audiobooks, and media.
  • Building conversational AI agents and regional virtual assistants in Marathi.
  • Accessibility applications and reading assistants for Marathi text.

Out-of-Scope Use

  • Voice Cloning: The model is not designed or authorized for unauthorized voice cloning or deepfake generation.
  • Deceptive Content: Generating misleading audio, unverified synthetic news, or unauthorized impersonations.

Evaluation & Benchmarks

Evaluation Dataset

The model was evaluated using a benchmark dataset of 210 Marathi evaluation prompts divided across three core domains:

  1. Marathi Complex (60 prompts): Long-form literary text, rare vocabulary, and complex sentence structures.
  2. Marathi Normal (100 prompts): General everyday conversational Marathi text.
  3. Marathi Numbers (50 prompts): Sentences containing numerical values presented as digits and spelled-out words.

Evaluation Methodology

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

Empirical Results

CategoryPrompt CountWord Error Rate (WER)Character Error Rate (CER)
Marathi Complex600.13820.0342
Marathi Normal1000.19980.0554
Marathi Numbers500.31700.1965
Overall Average2100.21010.0829

Bias, Risks, and Limitations

  • Numerical Formatting: Basic numerical functionality provided. Optimal synthesis performance is achieved when numbers are written out as text words in Marathi (e.g., "एक हजार पाचशे") rather than raw numeric digits (e.g., "१५००").
  • Out-of-Vocabulary Terms: Unusual proper nouns, complex Sanskritized loanwords, or rare foreign technical terms may introduce minor acoustic 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-marathi-male"
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("नमस्कार, तुमचे स्वागत आहे.", tokenizer)

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

Path B: transformers Pipeline

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

repo_id = "atx-labs/voice-marathi-male"
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("नमस्कार, तुमचे स्वागत आहे.")

# Save 24 kHz WAV audio
sf.write("output_mr.wav", output["audio"], output["sampling_rate"])
print(" Audio generated and saved to output_mr.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
3596ed5

0 моделей