Mithi v2 Flash ONNX
TTS для индийских языков на устройстве
1 min readupdated
Это ONNX Runtime-экспорт модели Mithi v2 Flash от Oomni для синтеза речи на устройстве. Полная точность fp32, без квантования, выход 24 кГц моно. Это конвертация формата, а не переобученная модель.
Ключевые особенности
- Поддерживает 11 языков: хинди, английский, бенгальский, гуджарати, каннада, малаялам, маратхи, ория, панджаби, тамильский и телугу.
- ONNX Runtime-графы для on-device TTS; каждый .onnx загружает веса из соседнего .onnx.data.
- Полная точность fp32 без квантования; аудио 24 кГц моно.
- В основе — Mithi v2 Flash, текстовый энкодер Kokoro-82M и iSTFTNet-декодер, нормализатор Maya и IndicBERT.
- Frontend (нормализация текста, espeak-ng G2P, SentencePiece) в графы не входит.
Пример
Сценарий: загрузите indic_encoder.onnx, writer_read.onnx, writer_step.onnx, kokoro_text.onnx и kokoro_decode.onnx в ONNX Runtime, подайте input_ids и параметры spk/lang, затем соберите аудио через kokoro_decode. Для выравнивания повторите столбец каждого фонемного токена dur[p] раз.
Подробнее
Лицензия Apache-2.0.Экспорт в fp32, без квантизации; выход 24 кГц моно.
Это конвертация весов, не новая тренировка; frontend не включён.
Бенчмарков и требований к VRAM в карточке нет.










Comments