/ Модель

Характеристики

Архитектура
parler_tts · dense
Библиотека
parler-tts
Опубликована
15 июл 2026

indic-parler-tts-nepali-finetuned-dgx-v3-cosine-oov

Синтез речиТекст → аудио3 профессии

Дообученная Indic Parler-TTS преобразует непальский текст в речь.

9скачиваний за 30 дней0лайковвеса обновлены15 июл 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 метаданных указаны архитектура ParlerTTSForConditionalGeneration и библиотека parler-tts, а веса представлены в формате safetensors. В карточке приведены результаты обучения: лучшая ошибка на валидации составила 6,2510 после 2224 шагов обучения.

Модель предназначена для преобразования непальского текста в речь. Сведения о размере, длительности контекста и лицензии в доступных данных отсутствуют.

Сценарии применения

  • озвучивание непальского текста
  • создание непальских голосовых сообщений
  • генерация речи для непальских аудиогидов

Ограничения

Карточка приводит метрику валидации, но не описывает качество звучания и ограничения генерации.

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 size8
Grad accum steps8
Effective batch size64
Learning rate3e-06
LR schedulecosine with warmup
Warmup steps222.4
Total steps2224
Max audio tokens1856
Precisionbfloat16
Grad clip norm1.0

Results

MetricValue
Best val loss6.2510
Steps trained2224
Training time1338.6 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-v3-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
7d94588

0 моделей