Svar v0.1
Telugu TTS, собранный с нуля
1 min readupdated
Svar v0.1 — экспериментальная модель синтеза речи для телугу от Nikhil. Это не обёртка над готовым TTS: autoregressive Transformer для текста и Diffusion Transformer для акустики обучены с нуля, общий размер — около 52M параметров. На выходе — WAV 24 kHz с мужским или женским нейтральным голосом.
Ключевые особенности
- Поддержка только телугу; для чисел и дат их лучше заранее записать телугу-словами.
- Два голоса на выбор: male и female.
- Своя архитектура: T2S Transformer (~25M) плюс DiT (~27M), декодер —
facebook/encodec_24khz. - Есть inference-скрипт и готовые веса:
t2s.safetensors,dit.safetensors, токенизатор SentencePiece. - Это research-прототип: качество и произношение могут варьироваться, production-ready статуса нет.
Пример
python svar_inference.py \
--model_dir "./models" \
--speaker male \
--text_file "text.txt" \
--out "svar_output.wav"Подробнее
Параметры: ~52M всего (T2S ~25M + DiT ~27M).Обучение: 2 × NVIDIA T4, около 32 часов (~64 GPU-hours).
Оценка: только неформальное прослушивание, без MOS и бенчмарков.
Ограничения: только телугу, слабая поддержка чисел/дат, качество зависит от текста.
Лицензия весов: pending — перед коммерческим использованием нужно проверить статус.










Comments