ViFastTts N0

ViFastTts N0 — Ngọc Huyền — исследовательская TTS-модель для вьетнамского языка от dvchd. Это один женский голос, acoustic-модель small на 6,1 млн параметров и 24 kHz; в репозитории есть checkpoint, config, ONNX FP32 и бандлы .vfa/.vfts.

🎯 Ключевые особенности

• 🗣 Один женский вьетнамский голос; модель single-speaker, без speaker ID и zero-shot.
• ⚙️ Acoustic small на 6,1 млн параметров, 24 kHz; ONNX FP32 позволяет инференс без torch.
• 🗂 Два бандла: .vfa — только acoustic с отдельным vocoder.onnx, .vfts — самодостаточный с vocoder и frontend.
• 🆕 Vocab Q от 27/10/2026: onset Q для qu; старые checkpoint/ONNX без hash отклоняются, адаптера Q→K нет.
• ⏸ По умолчанию модель сама расставляет паузы; фиксированные паузы — opt-in.
• 🧑‍💻 Есть пайплайн обучения нового голоса: Python 3.11+, torch, MFA/aligner, аудио и транскрипты.

🎧 Пример

from huggingface_hub import hf_hub_download
acoustic = hf_hub_download('dvchd/vifasttts-ngochuyen-small', 'onnx/acoustic.onnx')
vocoder = hf_hub_download('dvchd/vifasttts-ngochuyen-small', 'onnx/vocoder.onnx')

Подробнее

Данные: 21,57 ч raw → 19,89 ч очищенных, train 17,9 ч; 60 000 шагов, batch 8, ~5 ч 46 мин на Mac mini M6.
Holdout mel L1 — 4,0 dB; free-run 80 фраз — 16,57 dB, length 0,999, pause F1 0,825; RTF 0,045 на VPS CPU.
Код ViFastTts — MIT; веса — только research/non-commercial; датасет CC BY-NC 4.0. Ограничения: один голос, без safety filter, не для имитации чужих голосов.