/ Модель

Характеристики

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

F5-TTS-OpenBible-Tamil

Синтез речиТекст → аудио

Модель F5-TTS, дообученная для тамильского языка, синтезирует речь по тексту голосом из короткого аудиообразца.

220скачиваний за 30 дней1лайквеса обновлены20 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 Tamil — модель синтеза речи по тексту на тамильском языке, созданная на основе архитектуры F5-TTS и обученная с нуля на корпусе Open Bible. Она принимает целевой текст и короткий аудиофрагмент длительностью 5–10 секунд, а затем озвучивает текст голосом говорящего из образца; отдельная настройка модели под каждый голос не требуется.

Модель использует архитектуру diffusion transformer с вокодером Vocos и генерирует речь с частотой 24 кГц. Обучение проводилось на примерно 23 532 многодикторских высказываниях из набора davidguzmanr/open-bible-resources; максимальная длительность обучающих высказываний составляла 15 секунд. Модель предназначена для тамильского zero-shot TTS, а также исследований синтеза речи на малоресурсных языках и оценки речи в стиле чтения Библии. В README приведена оценка по ошибкам распознавания и естественности звучания, но численные результаты не указаны. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • озвучивание тамильского текста голосом из аудиообразца
  • создание тамильской речи без отдельного обучения под голос
  • синтез тамильских текстов в стиле чтения Библии
  • оценка качества синтеза речи на малоресурсном языке

Ограничения

Модель обучена на корпусе Open Bible и рассчитана на тамильский язык; качество на иных языках и типах речи не подтверждено. Для синтеза требуется аудиообразец голоса длительностью 5–10 секунд.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

F5-TTS Open Bible — Tamil

A zero-shot text-to-speech model for Tamil, 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_Tamil.yamlHydra training/inference config (architecture, mel spec settings, tokenizer).

Intended use

  • Zero-shot TTS for Tamil, 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-Tamil"
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_Tamil.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-tamil-clip.wav"
ref_text  = "Exact transcription of the clip"
gen_text  = "..."   # text to synthesise in Tamil

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 Tamil
  • Size: approximately 23,532 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
31472ed

0 моделей