/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
VieNeu-TTS
Опубликована
9 дек 2025

VieNeu-TTS-q4-gguf

Синтез речиТекст → аудио3 профессии

VieNeu-TTS-q4-gguf — модель синтеза речи на вьетнамском языке с мгновенным клонированием голоса, разработанная Phạm Nguyễn Ngọc Bảo.

733скачиваний за 30 дней2лайкавеса обновлены15 янв 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

Она предназначена для офлайн- и on-device-сценариев, включая озвучивание текста, голосовые интерфейсы, создание контента и приложения реального времени. Модель поддерживает плавное переключение между вьетнамским и английским языками, работает с эталонной аудиозаписью длительностью 3–5 секунд и может использоваться через Python API, CLI или Gradio.

В основе лежит языковая модель Qwen 0.5B в формате chat-format LM, а для кодирования и декодирования речи используется NeuCodec с поддержкой ONNX и квантования. Модель генерирует 24 кГц аудио, имеет общее окно контекста 2048 токенов для текста и речи и ориентирована на синтез в реальном времени или быстрее на CPU и GPU. Обучение проводилось примерно на 1000 часах вьетнамской речи с использованием VieNeuCodec-dataset и предварительного обучения на датасете Emilia. Доступны мужские и женские голоса с северным и южным вьетнамскими акцентами; качество клонирования зависит от четкости эталонной записи. В модели включён watermark. Лицензия — Apache 2.0.

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

VieNeu-TTS

GitHub Model

Untitled

Overview

VieNeu-TTS is an advanced on-device Vietnamese Text-to-Speech (TTS) model with instant voice cloning.

Trained on ~1000 hours of high-quality Vietnamese speech, this model represents a significant upgrade from VieNeu-TTS-140h with the following improvements:

  • Enhanced pronunciation: More accurate and stable Vietnamese pronunciation
  • Code-switching support: Seamless transitions between Vietnamese and English
  • Better voice cloning: Higher fidelity and speaker consistency
  • Real-time synthesis: 24 kHz waveform generation on CPU or GPU

VieNeu-TTS-1000h delivers production-ready speech synthesis fully offline.

Author: Phạm Nguyễn Ngọc Bảo

Support This Project

Training high-quality TTS models requires significant GPU resources and compute time. If you find this model useful, please consider supporting the development:

Buy Me a Coffee

Your support helps maintain and improve VieNeu-TTS! 🙏


Voice Cloning Inference

Reference Voice (Speaker Example):

Input Text:

Trên bầu trời xanh thẳm, những đám mây trắng lửng lờ trôi như những chiếc thuyền nhỏ đang lướt nhẹ theo dòng gió. Dưới mặt đất, cánh đồng lúa vàng rực trải dài tới tận chân trời, những bông lúa nghiêng mình theo từng làn gió.

Generated Output (Cloned Voice):


Installation

git clone https://github.com/pnnbao97/VieNeu-TTS.git
cd VieNeu-TTS
uv sync

Gradio Demo

uv run gradio_app.py

Open your browser at http://127.0.0.1:7860.

Demo Video:

Reference Voices

FileGenderAccentDescription
Bình (nam miền Bắc)MaleNorthMale voice, North accent
Tuyên (nam miền Bắc)MaleNorthMale voice, North accent
Nguyên (nam miền Nam)MaleSouthMale voice, South accent
Sơn (nam miền Nam)MaleSouthMale voice, South accent
Vĩnh (nam miền Nam)MaleSouthMale voice, South accent
Hương (nữ miền Bắc)FemaleNorthFemale voice, North accent
Ly (nữ miền Bắc)FemaleNorthFemale voice, North accent
Ngọc (nữ miền Bắc)FemaleNorthFemale voice, North accent
Đoan (nữ miền Nam)FemaleSouthFemale voice, South accent
Dung (nữ miền Nam)FemaleSouthFemale voice, South accent

Model Architecture

ComponentDescription
BackboneQwen 0.5B (chat-format LM)
CodecNeuCodec (supports ONNX + quantization)
Output24 kHz waveform synthesis
Context Window2048 tokens shared text + speech
WatermarkEnabled
Training DataVieNeuCodec-dataset + Emilia dataset pretraining

Features

  • High-quality Vietnamese speech
  • Instant voice cloning (3–5 second reference audio)
  • Fully offline
  • Runs real-time or faster
  • Multi-voice reference support
  • Python API + CLI + Gradio

Troubleshooting

IssueCauseSolution
Missing libespeakSystem dependencyInstall eSpeak NG
GPU OOMVRAM too smallUse CPU or quantized model
Poor voice matchBad reference sampleTry a clearer reference clip

License

Apache 2.0

Citation

@misc{vieneutts2025,
  title        = {VieNeu-TTS: Vietnamese Text-to-Speech with Instant Voice Cloning},
  author       = {Pham Nguyen Ngoc Bao},
  year         = {2025},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/pnnbao-ump/VieNeu-TTS}}
}

Please also cite the base model:

@misc{neuttsair2025,
  title        = {NeuTTS Air: On-Device Speech Language Model with Instant Voice Cloning},
  author       = {Neuphonic},
  year         = {2025},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/neuphonic/neutts-air}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
8122f31

0 моделей