Cilla Mini — это модель синтеза речи на персидском языке, обученная участником сообщества mehdi-hf на базе Pocket TTS от Kyutai. При генерации используется 1820 тысяч параметров, на выходе получается монофонический звук с частотой дискретизации 24 кГц, а голос клонируется из референсного аудиофрагмента длительностью 3–10 секунд. По словам автора, на одноядерном CPU облачного сервера скорость составляет примерно 3.79× от реального времени, а на M1 Pro с использованием написанного на Rust рантайма Phonon — примерно 12–23× от реального времени; демо-пространство Hugging Face работает непосредственно в браузере через WebAssembly, при этом текст не загружается на сервер. Модель Cilla Lite из той же серии с 1 миллиардами параметров ориентирована на CPU; автор утверждает, что у неё ниже показатель ошибки слов (WER) (6.7% против 10.4%).
Почему это важно Открытых моделей синтеза речи на персидском языке очень мало; эта модель настолько компактна, что может работать офлайн прямо в веб-браузере, не отправляя текст с устройства, что делает её подходящей для программ чтения с экрана и офлайн-ассистентов, однако лицензия разрешает только некоммерческое использование.
Лайки Hugging Face: 22 · Рост рейтинга Hugging Face: 21 · Загрузки Hugging Face: 0
Лицензия: некоммерческая · ComfyUI: пока нет · Память GPU: ≈1 ГБ (оценка)
Причины
- Есть онлайн-демо в браузере, скрипты для запуска на Mac и библиотека JavaScript
- В карточке модели подробно описаны методика оценки, условия тестирования и ограничения
Использование
- Запросите доступ на странице Hugging Face и войдите в аккаунт, затем выполните pip install "pocket-tts>=4.0.1", hf download mehdi-hf/cilla-mini --exclude "model.safetensors" "phonon/*" --local-dir cilla-mini, перейдите в каталог и запустите python speak_fa.py --voice prompts/parisa.wav --text "персидский текст" --out hello.wav; также можно просто открыть демо-пространство mehdi-hf/cilla-mini-demo
Риски
- Лицензия CC BY-NC 4.0 разрешает только некоммерческое использование; поддерживается только персидский язык, слова на латинице и эмодзи удаляются автоматически, поддержка китайского языка отсутствует
- Длинные тексты необходимо синтезировать по предложениям, иначе возможны повторы или пропуски слов; для клонирования голоса требуется согласие владельца голоса, а сгенерированная речь должна быть помечена как синтетическая