/ Модель

Характеристики

Параметры
3,6 млн
Лицензия
Apache 2.0
Архитектура
vits · dense
Опубликована
1 авг 2026

my-bangla-tts

Синтез речиТекст → аудио3 профессии

Односпикерная VITS-модель для преобразования бенгальского текста в речь.

52скачиваний за 30 дней0лайковвеса обновлены17 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

tareq052 разработал односпикерную модель синтеза речи на бенгальском языке на архитектуре VITS и дообучил её на базе контрольной точки VITS с помощью finetune-hf-vits. Модель преобразует текст в речевую аудиоволну за один проход и не требует отдельного вокодера. Она содержит 3,6 млн параметров, использует Transformers и PyTorch, а частота дискретизации выходного аудио составляет 16 кГц. Модель рассчитана на синтез речи одним голосом; лицензия — Apache-2.0.

Подходит для озвучивания текстов на бенгальском языке, например коротких сообщений и материалов для приложений. Модель не поддерживает выбор голоса и управление эмоциями. Из-за ограниченного обучающего набора произношение редких слов, чисел и текста со смешанными языками может быть непоследовательным.

Сценарии применения

  • озвучивание сообщений на бенгальском языке
  • синтез речи для бенгальских приложений
  • создание голосовых версий бенгальских текстов

Ограничения

Поддерживается только один голос, без управления диктором или эмоциями. Произношение редких слов, чисел и текста с переключением на другие языки может быть непоследовательным; выходная частота дискретизации фиксирована на 16 кГц.

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

my-bangla-tts

A single-speaker Bengali (Bangla) text-to-speech model based on the VITS (Conditional Variational Autoencoder with Adversarial Learning for End-to-End Text-to-Speech) architecture, fine-tuned from a base VITS checkpoint using the finetune-hf-vits toolkit.

This model converts Bengali text directly into natural-sounding speech waveforms in a single forward pass, without requiring a separate vocoder.

Model Details

  • Architecture: VITS (VitsModel, Transformers)
  • Language: Bengali (bn)
  • Speakers: Single speaker (num_speakers: 1)
  • Sampling rate: 16,000 Hz
  • Vocabulary size: 74 tokens
  • Framework: PyTorch, Transformers (transformers==4.35.2)
  • Precision: float32

Architecture summary

ComponentValue
Hidden size192
Flow size192
Attention heads2
Hidden layers6
FFN dimension768
Duration predictorStochastic
Prior encoder WaveNet layers4
Posterior encoder WaveNet layers16

Usage

from transformers import VitsModel, VitsTokenizer
import torch
import scipy.io.wavfile as wavfile

model = VitsModel.from_pretrained("tareq052/my-bangla-tts")
tokenizer = VitsTokenizer.from_pretrained("tareq052/my-bangla-tts")

text = "আমার নাম তারেক, আমি একটি বাংলা ভয়েস মডেল তৈরি করেছি।"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    output = model(**inputs).waveform

wavfile.write("output.wav", model.config.sampling_rate, output.squeeze().numpy())

Training

This model was fine-tuned on a Bengali speech dataset using the finetune-hf-vits toolkit, which adapts the original VITS architecture for fine-tuning within the Hugging Face transformers ecosystem.

Related Models

An emotion-conditioned variant of this model, fine-tuned on the BEASC (Bengali Emotional Speech Corpus) dataset with four emotions (angry, sad, happy, surprise) mapped to distinct speaker embeddings, is available separately.

Limitations

  • Single-speaker only — this checkpoint does not support speaker or emotion conditioning.
  • Trained on a limited dataset; pronunciation of rare words, numbers, or code-switched (non-Bengali) text may be inconsistent.
  • Output sampling rate is fixed at 16 kHz.

License

Apache 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
fbc9df8

0 моделей