OmniVoice Turkish Fine-tune (v1500)
Turkish TTS fine-tune of k2-fsa/OmniVoice based on Qwen3-0.6B.
The full dataset comprises 283 hours of high-quality audiobook audio. However, the v1500 checkpoint was trained on a single speaker from one book.
Note: This is a male voice fine-tune.
Demo
Araştırmacılar, aşağıdakilerden hangilerinin değerlendirilebilir olduğunu belirleyebilmek amacıyla kapsamlı bir ön değerlendirme gerçekleştirdi. Değerlendirme sonuçlarının anlaşılabilirliğinin artırılabilmesi için dokümantasyon süreçlerinin yeniden yapılandırılabileceği ifade edildi. Özelleştirilebilen raporlama mekanizmalarının sürdürülebilirliğinin sağlanabilmesi, karşılaştırılabilir verilerin düzenli olarak doğrulanabilmesine bağlıdır. Yetkililer, gerçekleştirilebilecek iyileştirmelerin uygulanabilirliğinin incelenmesi gerektiğini vurgularken, katılımcıların bilgilendirilebilmesi amacıyla açıklayıcı dokümanlar yayımladı.
Bununla birlikte, ilişkilendirilebilecek göstergelerin çeşitlendirilebilmesi için değerlendiriciler tarafından ayrıntılandırılmış yöntemlerin kullanılabileceği açıklandı. Sorumlular, yapılandırılabilecek sistemlerin ölçeklendirilebilirliğinin göz ardı edilmemesi gerektiğini ve gerçekleştirilebilir hedeflerin belirlenebilmesi için ölçümlendirilebilir kriterlerin oluşturulmasının önem taşıdığını ifade etti.
Inference Benchmark
Measured on RTX 4060 (8 GB VRAM):
| Metric | 64 steps (best quality) | 32 steps (medium quality) |
|---|---|---|
| Model load time | 2.43 s | 2.33 s |
| Generation time | 57.39 s | 30.04 s |
| Audio duration | 93.31 s | 91.34 s |
| RTF (Real-Time Factor) | 0.615 | 0.329 |
Lower RTF is better — values < 1.0 mean the model generates audio faster than real-time playback.
Model Details
| Property | Value |
|---|---|
| Base model | k2-fsa/OmniVoice |
| LLM backbone | Qwen/Qwen3-0.6B |
| Model type | OmniVoice (autoregressive TTS) |
| Language | Turkish |
| Voice | Male |
| Training steps | 1,500 (gradual phase 1) |
| Precision | bf16 |
| Checkpoint tag | \ 1500\ |
Architecture
- LLM: Qwen3-0.6B (28 layers, 16 attention heads, hidden_size=1024)
- Audio codebooks: 8 codebooks with weights [8, 8, 6, 6, 4, 4, 2, 2]- Audio vocab size: 1025 (1024 codes + 1 mask)
- Attention: SDPA (Scaled Dot Product Attention)
- Max sequence length: 40,960 tokens
Training Configuration
| Parameter | Value |
|---|---|
| Learning rate | 3e-6 |
| LR scheduler | Cosine |
| Warmup ratio | 0.05 |
| Optimizer | AdamW (weight_decay=0.01) |
| Batch tokens | 4,096 |
| Gradient accumulation | 2 |
| Max grad norm | 1.0 |
| Seed | 43 |
| Init from | \k2-fsa/OmniVoice\ |
Training Data
Turkish audiobook dataset with progressive/gradual training strategy.
Usage
`python from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained( "dcx514ai/omnivoice_tr_finetune", revision="v1500", trust_remote_code=True, )
tokenizer = AutoTokenizer.from_pretrained( "dcx514ai/omnivoice_tr_finetune", revision="v1500", trust_remote_code=True, ) `
Checkpoint Versions
| Tag | Step | Description |
|---|---|---|
| \ 1500\ | 1,500 | Gradual phase 1 completion |
Files
- \model.safetensors\ — Model weights (~2.45 GB)
- \config.json\ — Model configuration
- \ okenizer.json\ — Tokenizer
- \ okenizer_config.json\ — Tokenizer config
- \chat_template.jinja\ — Chat template
- \ rain_config.json\ — Training hyperparameters
- \demo.wav\ — Audio demo sample
License
Apache 2.0