/ Модель

Характеристики

Параметры
3,6 млн
Лицензия
CC BY 4.0
Архитектура
vits · dense
Библиотека
transformers
Опубликована
13 мая 2023

diana-hungarian-tts-vits

Синтез речиТекст → аудио3 профессии

Компактная модель VITS озвучивает венгерский текст одним женским голосом.

209скачиваний за 30 дней7лайковвеса обновлены16 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

Diana Hungarian TTS — модель синтеза речи на венгерском языке, созданная автором репозитория на основе датасета KTH/hungarian-single-speaker-tts с записями одной женщины — диктора LibriVox. Модель использует архитектуру VITS и содержит 3,6 млн параметров; её веса преобразованы из формата jaywalnut310/vits в формат Transformers и сохранены в safetensors. Она принимает текст и генерирует аудио с частотой дискретизации 22 050 Гц.

Модель предназначена для озвучивания венгерского текста одним женским голосом, в том числе для чтения книг и создания речевых образцов. Обучение проводилось на примерно 10 часах речи одного диктора; автор отмечает, что голос иногда может звучать монотонно. Для использования нужны phonemizer и espeak-ng. Лицензия — CC BY 4.0.

Сценарии применения

  • озвучивание венгерских текстов женским голосом
  • создание аудиоверсий венгерских книг
  • синтез венгерской речи для демонстраций и прототипов

Ограничения

Модель обучена на речи одного диктора и может звучать монотонно; для фонемизации требуются phonemizer и espeak-ng.

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

Diana Hungarian TTS (VITS)

Hungarian single-speaker TTS model trained on the KTH/hungarian-single-speaker-tts dataset (10 hours, single female speaker from LibriVox).

Converted from jaywalnut310/vits format to HuggingFace Transformers.

Audio Samples

"Egy magyar készítésű TTS modell vagyok."

"Alapvetően az Egri Csillagok felolvasásából születtem, így lehet, hogy egy kicsit monoton a hangom néha."

CSS10 Hungarian: Single Speaker Speech Dataset

The corpus consists of a single speaker, with 4515 segments extracted from this single LibriVox audiobook. It consists about 10 hours of audio data.

Training

The model was trained on a single RTX 3090 GPU for 3 days, 200K steps with a batchsize of 16. We saved some checkpoints with the optimizers, so the model could be train further, however we didn't find any noticable effect after step 150K. Recently converted to HuggingFace Transformers format for easier usage.

Usage

Requires: pip install phonemizer and sudo apt install espeak-ng.

from transformers import VitsTokenizer, VitsModel, set_seed
from phonemizer import phonemize
import re, torch

def hungarian_cleaners(text):
    text = text.lower()
    text = re.sub(r'\bmr\.', 'mister', text)
    text = re.sub(r'\bdr\.', 'doktor', text)
    phonemes = phonemize(text, language='hu', backend='espeak',
                         strip=True, preserve_punctuation=True, with_stress=True)
    return re.sub(r'\s+', ' ', phonemes)

tokenizer = VitsTokenizer.from_pretrained("legekka/diana-hungarian-tts-vits-hf")
model = VitsModel.from_pretrained("legekka/diana-hungarian-tts-vits-hf")

text = "Helló! Diána hangja vagyok."
cleaned = hungarian_cleaners(text)
inputs = tokenizer(cleaned, return_tensors="pt", phonemize=False)

set_seed(42)
with torch.no_grad():
    outputs = model(inputs["input_ids"])

from scipy.io.wavfile import write
write("output.wav", 22050, outputs.waveform[0].numpy())

Model Details

ParameterValue
ArchitectureVITS
Sampling rate22050 Hz
Vocab size178
Text cleanerhungarian_cleaners (IPA via espeak-ng)
Training steps200K
GPURTX 3090
LicenseCC-BY-4.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
8fd1441

0 моделей