VoxPocket-v5
компактный кхмерский TTS с клонированием голоса
1 min readupdated
VoxPocket-v5 — TTS-модель на 0,89B параметров для кхмерского языка, построенная на VoxCPM 1.5. Она читает кхмерский, кхмерский с английскими словами и простой английский, умеет клонировать голос по короткому фрагменту и принимать стиль или описание голоса. Аудио — 44,1 кГц.
Ключевые особенности
- Клонирование голоса по чистому клипу 4–9 с и точной расшифровке сказанного.
- Стили в скобках: шёпот, злость, радость, удивление, грусть и другие.
- Можно задать голос описанием, без референсного аудио.
- По бенчмарку автора читает кхмерский лучше VoxCPM2 (2,38B), хотя сама меньше.
- Поддержка кхмерского, кхмерского с английскими словами и простого английского.
Пример
from voxcpm.core import VoxCPM
import soundfile as sf
m = VoxCPM.from_pretrained(hf_model_id="INGMUYLEANG/VoxPocket-v5", load_denoiser=False)
wav = m.generate(text="(A young woman, clear and bright voice, cheerful tone)សួស្តីបងប្អូនទាំងអស់គ្នា។")
sf.write("out.wav", wav, m.tts_model.sample_rate)
Подробнее
Медианная ошибка букв: 4,3% на 40 отложенных фразах; у VoxCPM2 — 4,8%.На RTX 5090: 3,6× реального времени, пик VRAM 3,8/6,3 ГБ для короткого/длинного текста, 173 Вт.
Ограничения: длинный текст лучше делить на предложения; английский базовый; стили на клонированном голосе меняют тон слабее; не использовать для имитации реальных людей.










Comments