/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
parler_tts · dense
Базовая модель
parler-tts-mini-v1
Опубликована
22 мар 2026

parler-tts-vietnamese-v1-stage2

Синтез речиТекст → аудио3 профессии

Модель преобразует вьетнамский текст в речь и позволяет управлять характеристиками звучания с помощью текстового описания голоса.

85скачиваний за 30 дней0лайковвеса обновлены27 мар 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

thangquang09/parler-tts-vietnamese-v1-stage2 — дообученная модель синтеза речи на архитектуре Parler-TTS, созданная на основе parler-tts/parler-tts-mini-v1. Она преобразует вьетнамский текст в речь, а текстовое описание голоса позволяет задавать региональный акцент, гендер, возраст, высоту и громкость голоса, темп и манеру речи.

Модель рассчитана на управляемый синтез вьетнамской речи, эксперименты с голосовыми инструкциями, демонстрационные системы и быстрое прототипирование. Для работы подаются текст для озвучивания и инструкция с желаемыми характеристиками голоса; результатом служит аудио. Репозиторий содержит веса в форматах PyTorch и Safetensors.

Контроль голоса зависит от формулировки инструкции и может быть неодинаково точным для разных акцентов, возрастов и стилей; качество также может зависеть от длины текста. Модель не предназначена для клонирования голоса. Лицензия — Apache-2.0.

Сценарии применения

  • озвучивание вьетнамских фраз с заданным голосом
  • синтез речи с северным, центральным или южным вьетнамским акцентом
  • создание речи с заданными темпом, высотой и громкостью
  • прототипирование систем голосовой генерации на вьетнамском языке

Ограничения

Следование голосовым инструкциям зависит от их формулировки, а качество может различаться для акцентов, стилей и длины текста. Модель не предназначена для клонирования голоса.

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

Vietnamese Parler-TTS Voice Design

Vietnamese instruction-guided text-to-speech built on top of Parler-TTS.

This model generates Vietnamese speech from:

  • text: the content to speak
  • description: a natural-language voice instruction describing accent, gender, age, pitch, speed, loudness, or speaking style

Demo Idea

Example voice descriptions:

  • Giọng nữ trẻ miền Bắc, nói chậm rãi, giọng cao
  • Giọng nam trưởng thành miền Nam, nói nhanh và rất to
  • Giọng nữ miền Trung, nói chậm rãi với âm lượng nhỏ, giọng trầm

Model Details

  • Model name: thangquang09/parler-tts-vietnamese-v1-stage2
  • Architecture: Parler-TTS
  • Language: Vietnamese
  • Use case: instruction TTS / voice design
  • Model type: controllable text-to-speech
  • Base family: Parler-TTS
  • Adaptation: Vietnamese fine-tuning with Vietnamese voice descriptions

How to Use

Python

import torch
import soundfile as sf
from transformers import AutoTokenizer
from parler_tts import ParlerTTSForConditionalGeneration

repo_id = "thangquang09/parler-tts-vietnamese-v1-stage2"
device = "cuda:0" if torch.cuda.is_available() else "cpu"

model = ParlerTTSForConditionalGeneration.from_pretrained(repo_id).to(device)
tokenizer = AutoTokenizer.from_pretrained(repo_id, use_fast=False)

text = "Xin chào, hôm nay bạn có khoẻ không?"
description = "Giọng nữ trẻ miền Bắc, nói chậm rãi, giọng cao"

desc_tokens = tokenizer(description, return_tensors="pt").to(device)
text_tokens = tokenizer(text, return_tensors="pt").to(device)

with torch.no_grad():
    generation = model.generate(
        input_ids=desc_tokens.input_ids,
        attention_mask=desc_tokens.attention_mask,
        prompt_input_ids=text_tokens.input_ids,
        prompt_attention_mask=text_tokens.attention_mask,
        do_sample=True,
        temperature=1.0,
    )

audio = generation.cpu().float().numpy().squeeze()
sf.write("output.wav", audio, model.config.sampling_rate)

Recommended Inference Repo

For a cleaner inference workflow with CLI and Gradio app, use the GitHub repository:

GitHub: https://github.com/thangquang09/vietnamese-parlertts

That repository provides:

  • api.py for CLI and Python inference
  • app.py for Gradio web UI
  • simpler loading from Hugging Face or local checkpoints

Example CLI from the GitHub repo:

python api.py \
  --text "Xin chào, hôm nay bạn có khoẻ không?" \
  --description "Giọng nữ trẻ miền Bắc, nói chậm rãi, giọng cao" \
  --hf-repo thangquang09/parler-tts-vietnamese-v1-stage2 \
  --output output.wav

Input Format

This model expects two text inputs:

  • Speech text: the Vietnamese sentence to synthesize
  • Voice description: the natural-language instruction describing how the voice should sound

Good descriptions usually mention some of:

  • gender
  • age
  • accent or region
  • speaking rate
  • pitch
  • loudness
  • expressiveness or emotion

Intended Use

This model is intended for:

  • Vietnamese TTS research
  • controllable speech generation
  • voice style prompting
  • demo systems and rapid prototyping

Limitations

  • Voice control is prompt-based, so instruction following may vary by prompt quality
  • Some accents, ages, or speaking styles may be stronger than others
  • Performance may differ across text length and prompting style
  • This is not a voice cloning model

Training Notes

This is a Vietnamese adaptation of Parler-TTS released for inference and downstream use.

If you want the cleaned inference-first codebase, scripts, and app, please use the GitHub repo: https://github.com/thangquang09/vietnamese-parlertts

Citation

If you use this model, please cite the original Parler-TTS work:

@misc{lacombe-etal-2024-parler-tts,
  author = {Yoach Lacombe and Vaibhav Srivastav and Sanchit Gandhi},
  title = {Parler-TTS},
  year = {2024},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/huggingface/parler-tts}}
}
@misc{lyth2024natural,
  title={Natural language guidance of high-fidelity text-to-speech with synthetic annotations},
  author={Dan Lyth and Simon King},
  year={2024},
  eprint={2402.01912},
  archivePrefix={arXiv},
  primaryClass={cs.SD}
}

Acknowledgements

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура parler_tts неизвестна transformers в образе рантайма.

Класс архитектуры
ParlerTTSForConditionalGeneration
Ревизия весов
e18042e

0 моделей