/ Модель

Характеристики

Параметры
3,6 млн
Лицензия
CC BY-NC 4.0
Архитектура
vits · dense
Базовая модель
mms-tts-khm
Опубликована
1 мая 2026

khmer-tts

Генерация аудиоТекст → аудио3 профессии

Экспериментальная одноголосая VITS-модель для преобразования кхмерского текста в речь.

1 663скачиваний за 30 дней2лайкавеса обновлены1 мая 2026

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

Khmer TTS — экспериментальная модель синтеза речи, созданная дообучением VITS-модели Facebook facebook/mms-tts-khm. Она преобразует текст на кхмерском языке в аудио и распространяется в формате Hugging Face Transformers с весами safetensors; размер модели — 3,6 млн параметров. Модель рассчитана на одноголосую генерацию речи на кхмерском языке.

Её можно применять для озвучивания коротких текстов и создания речевых примеров на кхмерском языке. В тестовом наборе из 50 примеров генерация завершилась без сбоев, однако эта проверка не оценивает всесторонне качество речи. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Сценарии применения

  • озвучивание текста на кхмерском языке
  • создание кхмерских речевых примеров
  • генерация аудио для кхмерских приложений
  • локальный синтез кхмерской речи

Ограничения

Это экспериментальная одноголосая модель; произношение, естественность речи и точность передачи текста следует проверять. Тест на 50 примерах не является полной оценкой качества или безопасности.

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

Khmer TTS

This repository contains a Khmer text-to-speech model fine-tuned from facebook/mms-tts-khm.

The model is packaged in Hugging Face Transformers format and can be loaded with VitsModel and AutoTokenizer.

Files

  • model.safetensors - fine-tuned VITS model weights.
  • config.json, vocab.json, tokenizer files - model and tokenizer configuration.
  • examples/inference.py - minimal local inference script.
  • eval/benchmark/ - generated benchmark samples, review sheet, manifest, and timing summary.
  • training/ - training configuration and local wrapper used for this experiment.

Raw training audio is not included in this release directory.

Usage

pip install -r requirements.txt
python examples/inference.py --text "សួស្តីអ្នកទាំងអស់គ្នា" --output khmer_tts.wav

Or load the model directly:

import torch
from scipy.io.wavfile import write
from transformers import AutoTokenizer, VitsModel

repo_id = "khmerttsopensource/khmer-tts"
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = VitsModel.from_pretrained(repo_id)

text = "សួស្តីអ្នកទាំងអស់គ្នា"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    waveform = model(**inputs).waveform.squeeze().cpu().numpy()

write("khmer_tts.wav", rate=model.config.sampling_rate, data=waveform)

Evaluation

The included benchmark generated 50 samples.

MetricValue
Success count50
Failure count0
Failure rate0.0
Mean generation time0.434978 seconds
Mean audio duration3.27936 seconds
Mean RTF0.136449
Min RTF0.026531
Max RTF0.289309

See eval/benchmark/review_sheet.csv for manual review fields and eval/benchmark/generated/ for generated WAV samples.

Training Summary

  • Base model: facebook/mms-tts-khm
  • Epochs: 2
  • Batch size: 2
  • Sample rate: 16000
  • Training seed: 987

Limitations

This is an experimental single-speaker Khmer TTS model. Review pronunciation, naturalness, and text fidelity before production use. The benchmark samples are generated examples, not a full safety or quality evaluation.

License

This release uses cc-by-nc-4.0, matching the non-commercial license of the base MMS Khmer TTS model. Confirm that any downstream use complies with the base model license and the rights for the fine-tuning data.

Citation

If you use this model, cite the MMS work:

@article{pratap2023mms,
  title={Scaling Speech Technology to 1,000+ Languages},
  author={Pratap, Vineel and Tjandra, Andros and Shi, Bowen and Tomasello, Paden and Babu, Arun and Kundu, Sayani and Elkahky, Ali and Ni, Zhaoheng and Vyas, Apoorv and Fazel-Zarandi, Maryam and Adi, Yossi and Zhang, Xiaohui and Hsu, Wei-Ning and Conneau, Alexis and Auli, Michael},
  journal={arXiv},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModelForPreTraining
Ревизия весов
c9380a9

0 моделей