tiny-voca-zh
ультракомпактная модель синтеза речи для китайского языка
2 мин чтения
Модель основана на архитектуре tiny-voca и представляет собой акустическую систему со встроенным синтезатором формы волны. При весе всего в 4.5 миллиона параметров она принимает на вход китайский текст и выдает готовое аудио с частотой 24 кГц без использования отдельного нейросетевого вокодера. В репозитории доступны два фиксированных голоса (женский F и мужской M), а для предобработки текста используется встроенный фронтенд на базе библиотек cn2an, jieba и pypinyin. Проект подойдет разработчикам, которым требуется быстро и локально озвучивать китайский текст на слабомощном железе.
Ключевые особенности
- Минимальный размер: всего 4.5M параметров и вес файла весов 18.2 МБ.
- Два голоса: встроенные пресеты женского (
F) и мужского (M)голосов. - Прямой вывод: генерация моно-аудио 24 кГц без промежуточного вокодера.
- Готовый фронтенд: встроенный инвентарь из 115 символов для обработки китайской фонетики и омофонов.
Что можно сделать
- Интеграция в скрипты: запустить генерацию речи для китайских текстов через Python-код или командную строку.
- Тонкая настройка: изменять скорость речи, сдвиг и диапазон тона (pitch) при помощи параметров командной строки.
- Локальный деплой: развернуть легковесный TTS-сервис на локальном железе с минимальными требованиями к VRAM.
Пример
import os
import sys
import soundfile as sf
sys.path.insert(0, "src")
os.environ["TINY_VOCA_FRONTEND"] = "zh"
from tiny_voca.infer import load_model, speak_text, limit_peak
model = load_model("tiny-voca-zh.pt", "cuda")
wave, _ = speak_text(model, "她在笔记本上写下一行字:明天会更好。", "F")
sf.write("out.wav", limit_peak(wave).numpy(), model.config.sample_rate, subtype="FLOAT")
Подробнее
Бенчмарки CER (character error rate по Paraformer ASR): студент общий — 2.16%, голос F — 2.52%, голос M — 1.80%, учитель (Qwen3-TTS-12Hz-1.7B) — 1.40%.Обучение: обучена с нуля на 22,298 синтезированных предложениях (~23.6 часа).
Ограничения: поддерживает только чтение текста фиксированными голосами, не управляет эмоциями и стилем речи.
Лицензия: Apache-2.0.










Комментарии