/ Модель

Характеристики

Архитектура
parler_tts · dense
Библиотека
parler-tts
Опубликована
25 июн 2026

indic-parler-tts-nepali-finetuned-dgx-v2.2-cosine-oov

Синтез речиТекст → аудио3 профессии

Дообученная Indic Parler-TTS преобразует текст на непальском языке в речь.

8скачиваний за 30 дней0лайковвеса обновлены25 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

Это дообученная версия Indic Parler-TTS для синтеза речи на непальском языке. Модель принимает текст и генерирует речь; в репозитории используются веса в формате safetensors и библиотека parler-tts. По карточке обучение длилось 1256 шагов, лучшее значение ошибки на валидации составило 5,4660.

Модель подходит для преобразования непальского текста в речь и прототипирования приложений озвучивания. Сведений о размере модели, лицензии и ограничениях на применение в предоставленных материалах нет.

Сценарии применения

  • озвучивание непальских текстов
  • генерация голосовых реплик на непальском языке
  • создание прототипа синтеза речи для непальских приложений

Ограничения

Опубликованные материалы сообщают о 1256 шагах обучения и значении validation loss, но не приводят оценок качества звучания или сравнительных тестов. Лицензия и ограничения использования в предоставленных материалах не указаны.

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

Nepali Parler-TTS -- Finetuned

Nepali finetuned version of Indic Parler-TTS.

Training config

ParameterValue
Base modelmilanakdj/indic-parler-tts-nepali-finetuned-dgx-v2.0-cosine
Resumed fromN/A
GPUDGX
Epochs4
Batch size32
Grad accum steps2
Effective batch size64
Learning rate3e-06
LR schedulecosine with warmup
Warmup steps125.6
Total steps1256
Max audio tokens550
Precisionbfloat16
Grad clip norm1.0

Results

MetricValue
Best val loss5.4660
Steps trained1256
Training time270.8 min

Usage

from parler_tts import ParlerTTSForConditionalGeneration
from transformers import AutoTokenizer
import torch, soundfile as sf

model_id = "milanakdj/indic-parler-tts-nepali-finetuned-dgx-v2.2-cosine-oov"
device   = "cuda" if torch.cuda.is_available() else "cpu"

model            = ParlerTTSForConditionalGeneration.from_pretrained(model_id).to(device)
prompt_tokenizer = AutoTokenizer.from_pretrained(model_id)
desc_tokenizer   = AutoTokenizer.from_pretrained(model.config.text_encoder._name_or_path)

prompt      = "नमस्ते, तपाईंलाई कस्तो छ?"
description = "Shristi speaks clearly in Nepali at a steady pace. Very high quality audio."

desc_enc   = desc_tokenizer(description, return_tensors="pt").to(device)
prompt_enc = prompt_tokenizer(prompt,    return_tensors="pt").to(device)

with torch.inference_mode():
    gen = model.generate(
        input_ids=desc_enc.input_ids,
        attention_mask=desc_enc.attention_mask,
        prompt_input_ids=prompt_enc.input_ids,
        prompt_attention_mask=prompt_enc.attention_mask,
    )

sf.write("out.wav", gen.cpu().numpy().squeeze(), model.config.sampling_rate)

Как запустить

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

GPU в ailist

Универсальный рантайм · parler-tts

Нельзя запустить

Репозиторий недоступен на Hugging Face.

Класс архитектуры
ParlerTTSForConditionalGeneration
Ревизия весов
8480218

0 моделей