/ Модель

Характеристики

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

indic-parler-tts-nepali-finetuned-dgx-v2.4-cosine-oov

Синтез речиТекст → аудио3 профессии

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

13скачиваний за 30 дней0лайковвеса обновлены26 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

Nepali Indic Parler-TTS — модель синтеза речи, дообученная milanakdj на базе Indic Parler-TTS для озвучивания текста на непальском языке. Она использует архитектуру ParlerTTSForConditionalGeneration и библиотеку parler-tts; веса представлены в формате safetensors. В карточке указаны лучший validation loss 5.4939, 628 шагов обучения и время обучения 135,3 минуты.

Модель предназначена для преобразования непальского текста в речь. README не приводит примеров звучания или подробностей о диапазоне голосов и настройках синтеза. Условия лицензии в предоставленных данных не указаны.

Сценарии применения

  • озвучивание непальского текста
  • создание аудиоверсий непальских материалов
  • синтез речи для непальскоязычных приложений

Ограничения

Карточка не содержит примеров аудио и сведений о качестве произношения, голосах или поддержке управления стилем речи.

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 modelai4bharat/indic-parler-tts-pretrained
Resumed fromN/A
GPUDGX
Epochs2
Batch size32
Grad accum steps2
Effective batch size64
Learning rate3e-06
LR schedulecosine with warmup
Warmup steps62.8
Total steps628
Max audio tokens550
Precisionbfloat16
Grad clip norm1.0

Results

MetricValue
Best val loss5.4939
Steps trained628
Training time135.3 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-v2.4-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
921c2b6

0 моделей