/ Модель

Характеристики

Контекст
400 токенов
Параметры
888 864
Лицензия
CC BY-NC 4.0
Архитектура
vits · dense
Опубликована
14 фев 2024

tts_vits_ru_hf

Синтез речиТекст → аудио3 профессии

Русскоязычная VITS-модель преобразует текст, набранный строчными буквами, в речь.

167скачиваний за 30 дней17лайковвеса обновлены22 фев 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

joefox/tts_vits_ru_hf — модель синтеза речи на русском языке на архитектуре VITS, представленная в формате safetensors. Она преобразует текст в аудио; входной текст должен быть набран строчными буквами. В карточке приведён пример прослушивания синтезированной речи в Jupyter Notebook или Google Colab.

Модель предназначена для русскоязычного синтеза речи. Её можно использовать для озвучивания текста и создания аудиовыхода из текстовых фраз. Объём параметров в метаданных указан как 888,9 тыс.; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Сценарии применения

  • озвучивание русского текста
  • синтез речи из русскоязычных фраз
  • создание аудиоверсий текстовых материалов

Ограничения

Входной текст должен быть набран строчными буквами. Лицензия CC BY-NC 4.0 не разрешает коммерческое использование.

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

VITS model Text to Speech Russian

The text accepts lowercase

Example Text to Speech

from transformers import VitsModel, AutoTokenizer
import torch
import scipy

model = VitsModel.from_pretrained("joefox/tts_vits_ru_hf")
tokenizer = AutoTokenizer.from_pretrained("joefox/tts_vits_ru_hf")

text = "Привет, как дел+а? Всё +очень хорош+о! А у тебя как?"
text = text.lower()
inputs = tokenizer(text, return_tensors="pt")
inputs['speaker_id'] = 3

with torch.no_grad():
    output = model(**inputs).waveform
    
scipy.io.wavfile.write("techno.wav", rate=model.config.sampling_rate, data=output[0].cpu().numpy())

For displayed in a Jupyter Notebook / Google Colab:

from IPython.display import Audio

Audio(output, rate=model.config.sampling_rate)

Languages covered

Russian (ru_RU)

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
76af137

0 моделей