zerre-tts — это модель синтеза речи на турецком языке, обученная с нуля автором из сообщества. Она содержит около 450 тысяч параметров, предлагает два голоса (мужской и женский) и выводит аудио с частотой дискретизации 24 кГц. Версия int8 в формате ONNX занимает 8.5 МБ; её можно запускать в браузере через WebAssembly, а также использовать с ONNX Runtime или PyTorch. Обучающие данные состоят из двух открытых корпусов турецких аудиокниг (сохранено около 11.9 часов аудио), обучение проводилось на одном графическом процессоре L4 в течение примерно 6.5 часов. По словам автора, на 20 отложенных фрагментах показатель WER составил 1.3%, а на 8 новых предложениях — 12.7%.
Почему это важно Автор утверждает, что модель меньше аналогичных открытых турецких моделей и доступна для коммерческого использования; архитектура основана на tiny-voca, что делает её удобной для прямой интеграции в веб-страницы.
Лайки «обнимашки» 3 · Рост рейтинга «обнимашек» 2 · Загрузки «обнимашек» 0
Лицензия: разрешено коммерческое использование · ComfyUI: отсутствует · Память GPU: не указана
Причины
- Лицензия Apache-2.0, разрешено коммерческое использование; есть онлайн-демо, код и метод обучения опубликованы на GitHub
Использование
- Сначала попробуйте в веб-демо автора; для локального запуска клонируйте репозиторий github.com/erkinemreta1/zerre-tts и выполните команду python -m zerre.infer --checkpoint inference.pt --lang tr --text "Merhaba dünya." --voice MK --output hello.wav
Риски
- Тестовый набор очень мал (20 фрагментов, 8 предложений), автор сам отмечает, что результаты можно рассматривать лишь как грубую проверку; сравнение с другими моделями проводилось на разных тестовых наборах
- Доступны только два фиксированных голоса, клонирование и потоковая генерация не поддерживаются; интонация склонна к чтению вслух, ограничены вопросительные и восклицательные интонации, часто ошибочно произносятся иностранные имена и аббревиатуры; для фонетической транскрипции требуется отдельно установить eSpeak NG