К содержимому
Аудио

indicF5-best

исследовательский Telugu-TTS с голосом Swamiji

2 мин чтения

Модель sw-voice/indicF5-best — исследовательский TTS для телугу на базе семейства F5. Это F5TTS_Base (~0,34 млрд параметров) с vocab IndicF5, дообученный под голос Swamiji: нужен референсный клип 10 с и его транскрипт. Язык — только телугу (te).

Ключевые особенности

  • Few-shot TTS: копирует тембр и темп по референсному клипу; в репозитории лежит reference/p3R1wZLty6A_029.wav (10 с).
  • Двухэтапный файнтюн: IndicF5 + 10 эпох на 402 клипах Navaratri, затем 1 эпоха на 83 ч телугу и ещё 5 эпох на Navaratri.
  • Обязателен float32: float16 превращает веса IndicF5-семейства в шум; для телугу нужен патч токенизатора.
  • Длинный текст F5 режет на фрагменты примерно по 12 с и склеивает с cross-fade 0.15 с.
  • Темп берётся из референса: при этом клипе speed=0.92 даёт темп Mahabharatam; 1.0 звучит примерно на 16% быстрее.

Пример

Фрагмент инференса; переменные model, vocoder, ref_audio и ref_text — из полного скрипта карточки.

import f5_tts.infer.utils_infer as ui
wav, sr, _ = ui.infer_process(ref_audio, ref_text, TEXT, model, vocoder, 'vocos',
                              nfe_step=16, cfg_strength=2,
                              sway_sampling_coef=-1, speed=0.92,
                              cross_fade_duration=0.15, device=device)
ПодробнееБенчмарки: voice similarity 96.6% от real vs real; CER/WER 1.84/8.4% на 10 ответах; в Telugu Q&A CER 1.25%, WER 5.6%.
Железо: MacBook Air M5 16 ГБ — около 2 мин на минуту речи при 16 steps; A100 — около 26 с при 32 steps; RTX 3090 — один вызов за раз и 1.7 с до первого аудио.
Ограничения: нужен референсный клип и транскрипт; float32; патч токенизатора для телугу; 32 steps — полное качество, 16 — быстрее.
Обсудить Telegram 0 80

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # sw-voice/indicF5-best
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download sw-voice/indicF5-best --local-dir ~/models/indicF5-best
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к indicF5-best
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии indicF5-best — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

sw-voice/indicF5-best
Автор
sw-voice
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

800

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

Swanada

Swanada