/ Модель

Характеристики

Размер весов
246 МБ
Лицензия
Apache 2.0
Архитектура
zipvoice · dense
Базовая модель
ZipVoice
Библиотека
pytorch
Опубликована
5 июн 2026

ViZipvoice

Синтез речиТекст → аудио3 профессии

ViZipVoice синтезирует вьетнамскую речь из текста и позволяет клонировать голос по аудиопримеру.

291скачиваний за 30 дней6лайковвеса обновлены11 июн 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

ViZipVoice — вьетнамская модель синтеза речи с нулевым обучением и клонированием голоса, разработанная авторами репозитория contextboxai и дообученная на базе ZipVoice от k2-fsa. Она преобразует текст в речь и может воспроизводить голос по короткому аудиопримеру. Модель реализована на PyTorch; опубликован чекпойнт FP16. Токенизатор посимвольный, содержит 244 токена, частота дискретизации синтеза — 24 кГц. Обучающие данные включают около 7000 часов вьетнамской и английской речи; для нормализации вьетнамского текста используется soe-vinorm, а вокодер по умолчанию — charactr/vocos-mel-24khz.

Модель подходит для озвучивания вьетнамского текста, создания голосовых демонстраций и синтеза речи с заданным тембром. В карточке приведены аудиопримеры и 30 записей для референсного голоса с транскрипциями. Лицензия — Apache-2.0. Клонировать следует только голоса, на использование которых есть право или явное разрешение; качество и стабильность для других языков и сценариев в карточке не охарактеризованы.

Сценарии применения

  • озвучивание текста на вьетнамском языке
  • клонирование голоса по короткой записи
  • создание голосовых демонстраций на вьетнамском
  • синтез речи с заданным голосом

Ограничения

Клонирование требует аудиопримера, а надежность синтеза для языков помимо вьетнамского не описана. Используйте только голоса, на которые у вас есть разрешение.

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

ViZipVoice

Vietnamese zero-shot TTS / voice cloning fine-tuned from ZipVoice.

The wrapper loads the largest checkpoint-<step>.pt automatically and uses soe-vinorm for Vietnamese text normalization.

Audio Demo

Generated with checkpoint-1860000.pt, the current wrapper flow, and the demo text in demo/demo_text.txt.

Đinh-Quyết

Open audio

Nhã-Uyên

Open audio

MC

Open audio

Install

git clone https://github.com/iamdinhthuan/ViZipvoice.git
cd ViZipvoice
pip install -r requirements.txt
export PYTHONPATH="$PWD:$PYTHONPATH"

CLI

python3 -m zipvoice.bin.infer_vizipvoice \
  --prompt-wav prompt.wav \
  --prompt-text "Xin chào, đây là giọng mẫu của tôi." \
  --text "ViZipVoice có thể tổng hợp giọng nói tiếng Việt từ một đoạn mẫu ngắn." \
  --res-wav-path output.wav

The CLI downloads this model repo by default. Use --model-dir models/ViZipvoice after downloading files locally.

Python

from zipvoice.vizipvoice import ViZipVoiceTTS

tts = ViZipVoiceTTS()
metrics = tts.synthesize(
    prompt_wav="prompt.wav",
    prompt_text="Xin chào, đây là giọng mẫu của tôi.",
    text="Đây là câu tiếng Việt được sinh bởi ViZipVoice.",
    output_path="output.wav",
)
print(metrics)

Reference Audio

audio/ contains 30 reference prompts. Each audio file has a sidecar .txt transcript with the same basename:

audio/Đinh-Quyết.mp3
audio/Đinh-Quyết.txt

Names only keep the audio/person name; the original lar_* prefix and Pro suffix are removed. The Gradio app reads this sidecar format automatically.

huggingface-cli download contextboxai/ViZipvoice \
  --local-dir models/ViZipvoice \
  --local-dir-use-symlinks False

python3 egs/zipvoice/gradio_app.py --exp-dir models/ViZipvoice

Inference Flow

The CLI, Python wrapper, and Gradio app use the same default flow:

  • normalize Vietnamese text with soe-vinorm, then clean spaces around punctuation;
  • split long text into sentences;
  • for a 1-word sentence: use at least 24 steps and speed=0.6;
  • for a 2-4 word sentence: use speed=0.8;
  • generate each segment separately;
  • merge segments with silence, crossfade, fade in, and fade out.

Useful knobs:

--no-vietnamese-normalize
--no-split-sentences
--crossfade-ms 80
--silence-ms 180
--fade-in-ms 20
--fade-out-ms 80

Files

  • checkpoint-1860000.pt: latest FP16 checkpoint
  • config.json, model.json: model config
  • tokens.txt: Vietnamese character tokenizer
  • audio/: 30 reference audios plus .txt transcripts
  • demo/: regenerated audio demos and metadata.json
  • vizipvoice.py: wrapper mirrored from GitHub

Responsible Use

This model can clone voices from short audio prompts. Use only voices you own or have explicit permission to use. Do not use it for impersonation, fraud, harassment, misinformation, or other harmful content.

License

Apache License 2.0. Please also credit the original ZipVoice project.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Архитектура zipvoice неизвестна transformers в образе рантайма.

Класс архитектуры
ZipVoice
Ревизия весов
7903dcb

0 моделей