原題:Oomni/mithi-v1-flash
Oomniが公開した小型のテキスト読み上げモデルで、11言語に対応しています。対応言語はヒンディー語、英語、ベンガル語、グジャラート語、カンナダ語、マラヤーラム語、マラーティー語、オリヤー語、パンジャーブ語、タミル語、テルグ語です。2つのボイス(Satvik:男性、Charvi:女性)を提供します。モデルは99.1Mパラメータ、サイズは197 MBで、出力は24 kHzのモノラル音声です。Kokoro-82M、Maya2-native、indic-bertなどのオープンソースコンポーネントを基盤として構築されています。作者によると、サーバー用CPU(AMD EPYC 9554)上で、約7秒の音声文を単一スレッドで生成する場合、約8秒かかり、4スレッドでは約3秒で完了します。
なぜ重要か サイズは200MB未満でGPUなしでも利用可能。重みはApacheライセンスで商用利用が可能であり、インド諸言語の音声アプリケーションにとって軽量な出発点となります
上昇スコア 60 · いいね数 64 · ダウンロード数 436
理由
- GPUがあればGPUを使用し、なくてもCPUで動作可能。作者によればノートPC、Raspberry Pi、スマートフォンでも実行できます
- テキスト正規化ツールが付属しており、数字、時刻、通貨は自動的に文字列に展開されます。長いテキストは文単位で自動的に読み上げられます
- 重みはApache-2.0ライセンスで、商用利用が可能です
使い方
- hf download Oomni/mithi-v1-flash --local-dir mithi-v1-flash を実行し、ディレクトリ内で pip install -r requirements.txt を実行して spaCy の英語モデルをダウンロードします
- python inference.py --lang hi --voice charvi --text "…" --out hindi.wav を実行します。CPUで使用する場合は --device cpu --threads 4 を追加してください
リスク
- 作者によれば、現時点では公開されたベンチマーク評価がなく、自動指標も人間による聴覚評価もありません
- 抑揚や感情表現が平坦であり、カンナダ語、マラヤーラム語、マラーティー語、オリヤー語では話速がやや速くなります。稀な名前や外来語は誤って読み上げられる可能性があります
- 中国語には対応していません。本項目は実行されておらず、効果はモデルカードおよびサンプル音声に基づいて判断してください