/ Модель

Характеристики

Размер весов
4 ГБ
Лицензия
cc
Базовая модель
F5-TTS
Опубликована
11 ноя 2025

ThonburianTTS

Синтез речиТекст → аудио3 профессии

ThonburianTTS синтезирует выразительную тайскую речь из текста и может переносить голос по короткому аудиопримеру.

3 235скачиваний за 30 дней12лайковвеса обновлены13 янв 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

ThonburianTTS — тайская система синтеза речи от Looloo Technology и Biomedical and Data Lab Университета Махидол, созданная на основе F5-TTS. Модель преобразует текст на тайском языке в речь; доступны варианты для тайского письма и Thai IPA.

Синтез основан на flow matching и диффузионных методах. Модель умеет имитировать голос по короткому аудиофрагменту, а также поддерживает настройку скорости речи и обрезку тишины. Репозиторий содержит веса в формате safetensors и отмечен как дообучение SWivid/F5-TTS.

Для работы требуются компоненты экосистемы F5-TTS. Карточка указывает лицензию CC, но не уточняет её вариант; условия использования и распространения стоит сверить с лицензией репозитория.

Сценарии применения

  • озвучивание текста на тайском языке
  • синтез речи с заданной скоростью
  • создание речи голосом из короткого аудиопримера
  • озвучивание тайского текста в формате IPA

Ограничения

Для синтеза с переносом голоса нужен короткий аудиопример; качество и пригодность для конкретных голосов README не оценивает. Точный вариант лицензии Creative Commons в метаданных не уточнён.

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

🔊 Model Checkpoints | 🤗 Gradio Demo | 📄 ThonburianTTS Paper | Colab Notebook | GitHub

Thonburian TTS

Thonburian TTS is a Thai Text-to-Speech (TTS) engine built on top of the F5-TTS.
It generates natural and expressive Thai speech by leveraging Flow-Matching diffusion techniques and can mimic reference voices from short audio samples. The system supports:

  • Thai language generation (language="th")
  • Reference-based voice cloning using short audio clips
  • High-quality synthesis with controllable speed and silence trimming

Model Checkpoints

Model ComponentDescriptionURL
F5-TTS ThaiFlow Matching-based Thai TTS modelsLink
F5-TTS IPAFlow Matching-based Thai-IPA TTS modelsLink

Quick Usage

Installation

Install dependencies:

pip install torch cached-path librosa transformers f5-tts
sudo apt install ffmpeg

Clone GitHub

git clone https://github.com/biodatlab/thonburian-tts.git
cd thonburian-tts

Loading Thai Script based Models

from flowtts.inference import FlowTTSPipeline, ModelConfig, AudioConfig
import torch

# Configure F5-TTS model
model_config = ModelConfig(
    language="th",
    model_type="F5",
    checkpoint="hf://biodatlab/ThonburianTTS/megaF5/mega_f5_last.safetensors",
    vocab_file="hf://biodatlab/ThonburianTTS/megaF5/mega_vocab.txt",
    vocoder="vocos",
    device="cuda" if torch.cuda.is_available() else "cpu"
)

# Basic audio settings
audio_config = AudioConfig(
    silence_threshold=-45,
    cfg_strength=2.5,
    speed=1.0
)

pipeline = FlowTTSPipeline(model_config, audio_config)

Loading IPA based Models

from flowtts.inference import FlowTTSPipeline, ModelConfig, AudioConfig
import torch

# Configure F5-TTS model
model_config = ModelConfig(
    model_type="F5",
    checkpoint="hf://biodatlab/ThonburianTTS/megaIPA/model_last_prune.safetensors",
    vocab_file="hf://biodatlab/ThonburianTTS/megaIPA/mega_vocab_ipa.txt",
    vocoder="vocos",
    device="cuda" if torch.cuda.is_available() else "cpu"
)

# Basic audio settings
audio_config = AudioConfig(
    silence_threshold=-45,
    cfg_strength=2.5,
    speed=1.0
)

pipeline = FlowTTSPipeline(model_config, audio_config)

Example Outputs


Developers

Citation

If you use ThonburianTTS in your research, please cite:

@INPROCEEDINGS{11320472,
  author={Aung, Thura and Sriwirote, Panyut and Thavornmongkol, Thanachot and Pipatsrisawat, Knot and Achakulvisut, Titipat and Aung, Zaw Htet},
  booktitle={2025 20th International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP)}, 
  title={ThonburianTTS: Enhancing Neural Flow Matching Models for Authentic Thai Text-to-Speech}, 
  year={2025},
  volume={},
  number={},
  pages={1-6},
  keywords={Adaptation models;Codes;Accuracy;Error analysis;Phonetics;Robustness;Natural language processing;Text to speech;Noise measurement;Research and development;Thai text-to-speech;Flow matching;F5-TTS},
  doi={10.1109/iSAI-NLP66160.2025.11320472}}
Thura Aung, Panyut Sriwirote, Thanachot Thavornmongkol, Knot Pipatsrisawat, Titipat Achakulvisut, Zaw Htet Aung, "ThonburianTTS: Enhancing Neural Flow Matching Models for Authentic Thai Text-to-Speech", 2025 20th International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP), Phuket, Thailand, 2025, pp. 1-6, doi: 10.1109/iSAI-NLP66160.2025.11320472.

License

The models are released under the Creative Commons Attribution Non-Commercial ShareAlike 4.0 License (CC BY-NC-SA 4.0).

Acknowledgement

We would like to acknowledge NSTDA Supercomputer Center (ThaiSC) project #pv824003 for providing computing resources for this work.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
ac854d8

0 моделей