/ Модель

Характеристики

Лицензия
CC BY-SA 4.0
Базовая модель
F5-TTS
Библиотека
f5-tts
Опубликована
18 мая 2026

F5-TTS-OpenBible-Bengali

Синтез речиТекст → аудио

Модель F5-TTS синтезирует бенгальскую речь по тексту, копируя голос из короткого аудиофрагмента.

110скачиваний за 30 дней0лайковвеса обновлены19 мая 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

F5-TTS Open Bible Bengali — модель синтеза речи на бенгальском языке, созданная на архитектуре F5-TTS и обученная с нуля на корпусе Open Bible. Для генерации она принимает целевой текст и короткий аудиофрагмент длительностью 5–10 секунд, а затем воспроизводит текст голосом говорящего из этого фрагмента. Дообучать модель под отдельного диктора не требуется.

Модель использует архитектуру diffusion transformer с вокодером Vocos и генерирует речь с частотой дискретизации 24 кГц. Обучающий набор включает около 30 500 высказываний нескольких дикторов; максимальная длительность обучающих фрагментов — 15 секунд. Модель подходит для озвучивания бенгальского текста, экспериментов с синтезом речи для малоресурсных языков и исследований речи в стиле чтения библейских текстов. Оценка включала метрики ошибок распознавания текста и естественности звучания.

Модель опубликована под лицензией CC BY-SA 4.0. Качество и сходство голоса зависят от предоставленного референсного аудио; обучение проводилось на корпусе Open Bible, поэтому пригодность для других типов речи в карточке не подтверждена.

Сценарии применения

  • озвучивание бенгальского текста голосом из референсной записи
  • создание бенгальской аудиоверсии текста в стиле чтения
  • эксперименты с синтезом речи для малоресурсного языка
  • сравнение качества систем бенгальского TTS
  • исследования клонирования голоса без отдельного дообучения

Ограничения

Модель обучена на корпусе Open Bible и рассчитана на речь в стиле чтения; качество синтеза и сходство голоса зависят от референсного аудиофрагмента. Карточка не подтверждает пригодность для других жанров речи.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

F5-TTS Open Bible — Bengali

A zero-shot text-to-speech model for Bengali, trained from scratch on the Open Bible corpus using the F5-TTS architecture (diffusion transformer with vocos vocoder, 24 kHz output).

The model takes a short reference audio clip (5–10 seconds) and a target text, and synthesises the target text in the voice of the reference speaker. No fine-tuning per voice is required.

Files

FilePurpose
model_last.ptTrained model weights.
vocab.txtCharacter vocabulary built from the training transcripts.
F5-TTS_OpenBible_Bengali.yamlHydra training/inference config (architecture, mel spec settings, tokenizer).

Intended use

  • Zero-shot TTS for Bengali, controlled by a user-supplied reference clip.
  • Research on multilingual TTS, low-resource TTS evaluation, and listening studies on Open Bible–style read-speech.

How to use

Install F5-TTS:

pip install git+https://github.com/SWivid/F5-TTS.git

Download the checkpoint and run inference:

import torch
from huggingface_hub import hf_hub_download
from hydra.utils import get_class
from omegaconf import OmegaConf
from f5_tts.infer.utils_infer import infer_process, load_model, load_vocoder, preprocess_ref_audio_text

repo_id = "multilingual-tts/F5-TTS-OpenBible-Bengali"
ckpt   = hf_hub_download(repo_id, "model_last.pt")
vocab  = hf_hub_download(repo_id, "vocab.txt")
config = hf_hub_download(repo_id, "F5-TTS_OpenBible_Bengali.yaml")

device = "cuda" if torch.cuda.is_available() else "cpu"

model_cfg = OmegaConf.load(config)
model_cls = get_class(f"f5_tts.model.{model_cfg.model.backbone}")

vocoder = load_vocoder(vocoder_name="vocos", is_local=False, device=device)
model   = load_model(
    model_cls, model_cfg.model.arch, ckpt,
    mel_spec_type="vocos", vocab_file=vocab, use_ema=True, device=device,
)

# Supply your own clean reference clip — 5–10 s, single speaker and its transcription.
ref_audio = "/path/to/your-bengali-clip.wav"
ref_text  = "Exact transcription of the clip"
gen_text  = "..."   # text to synthesise in Bengali

ref_audio_proc, ref_text_proc = preprocess_ref_audio_text(ref_audio, ref_text)
wav, sr, _ = infer_process(
    ref_audio_proc, ref_text_proc, gen_text, model, vocoder,
    mel_spec_type="vocos", device=device,
)

Training data

  • Source: davidguzmanr/open-bible-resources, config Bengali
  • Size: approximately 30,500 utterances
  • Speakers: multispeaker; speaker identity is supplied at inference time via the reference clip, not by a fixed speaker id
  • Sample rate: 24 kHz
  • Maximum utterance duration during training: 15 s

Training procedure

  • Base architecture: F5-TTS v1 Base (DiT, 1024 dim, 22 layers, 16 heads, text dim 512, 4 convolutional layers).
  • Tokenizer: custom character-level, built from the training transcripts.
  • Vocoder: vocos.
  • Mel spectrogram: 100 channels, hop 256, win 1024, n_fft 1024.
  • Optimizer: AdamW, learning rate 7.5e-5, 20 000 warmup updates.
  • Training budget: 500,000 optimizer updates on 4 GPUs with mixed precision (bf16), global batch ≈ 112,000 frames.

Audio preprocessing, vocab generation, and config sizing are reproducible via the upstream open-bible-models repo.

Evaluation

Evaluated alongside other Open-Bible TTS systems on character/word error rate (via Meta's Omnilingual ASR) and UTMOSv2 naturalness scores. See the open-bible-models repository for the evaluation pipeline and the open-bible-surveys repository for the human-listening survey methodology.

Как запустить

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

GPU в ailist

Универсальный рантайм · f5-tts

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
eb78f42

0 моделей