F5-Hindi-24KHz
קוד פתוחSPRINGLabcc-by-4.02024-11-27
מודל המרת טקסט לדיבור בהינדית בקצב דגימה של 24KHz שנבנה באקדמיה בהודו. הוא מיועד למי שחייב מודל מקומי קל לדיבור הודי מדויק בלי תלות בשירותי ענן.
- 2.9 GBמשקל הקבצים
- 1,198הורדות בחודש
- 37לייקים
מה זה
מעבדות SPRING מהמכון הטכנולוגי של מדראס אימנו אותו מאפס על בסיס ארכיטקטורת F5, בתצורה הקטנה שכוללת 151 מיליון פרמטרים. האימון דרש שמונה מעבדי A100 של 40 גיגה ועבד ברצף כמעט שבוע שלם, כשהוא נשען על קובצי קול מתוך מאגרי IndicTTS ו־IndicVoices-R בהינדית. התוצאה היא קובצי שמע בקצב דגימה של 24KHz, מה שאמור לספק איכות שמע טובה בהרבה מגרסאות 16KHz ישנות יותר.
בניגוד למודלי ענק רב לשוניים שמנסים לדבר בכל שפה אפשרית ולעיתים מאבדים את המבטא הנכון, כאן כל המשאבים הושקעו אך ורק בדיבור בהינדית. הגודל הצנוע שלו מאפשר פריסה פשוטה בלי להקריב את הטבעיות של השפה המקומית, מה שהופך אותו לבחירה מעניינת לפרויקטים שמתמקדים ספציפית בקהל היעד הזה.
מתאים ל
- הקראת טקסטים בהינדית
אימון ייעודי על מאגרים מקומיים מבטיח הגייה מדויקת של השפה בלי מבטא זר.
- שילוב במכשירים מקומיים
151 מיליון פרמטרים ומשקל קל מאפשרים להריץ את העיבוד מקומית על כרטיס גרפי פשוט.
- מחקר קולי באקדמיה
הארכיטקטורה הפתוחה והנתונים הגלויים מתאימים למי שחוקר סינתזת דיבור בהודו.
איפה זה נופל
היוצרים מגדירים אותו ככלי שמיועד בעיקר למחקר, כך שאין כאן הבטחה ליציבות במוצר חי. הוא מאומן על הינדית בלבד, בלי שום תמיכה בעברית, באנגלית או בשפות נוספות מהודו. בנוסף, הכרטיס לא מציג מדדי דיוק, ציוני איכות או נתוני ביצועים, כך שחובה להאזין לדגימות קול אמיתיות ולוודא שהקול מתמודד היטב עם שמות לועזיים או מונחים טכניים לפני שמשלבים אותו במערכת.
שאלות
נפוצות
האם אפשר להשתמש בו כדי להקריא עברית או אנגלית?
לא. הוא אומן מאפס אך ורק על תת קבוצות הנתונים של הינדית מתוך IndicTTS ו־IndicVoices-R. הוא לא יזהה תווים בעברית ויפיק צלילים חסרי משמעות.
כמה זיכרון דרוש בכרטיס המסך כדי להפעיל אותו?
הוא מבוסס על גרסת ה־small עם 151 מיליון פרמטרים ומשקל של 2.9 גיגה בייט. כרטיס מסך מודרני פשוט עם 6 עד 8 גיגה זיכרון יספיק לעבודה שוטפת.
איך מריצים
המשקל הכולל של הקבצים עומד על 2.9 גיגה בייט, כך שאפשר להריץ אותו בלי בעיה על כרטיס מסך ביתי בסיסי עם 6 עד 8 גיגה בייט של זיכרון VRAM. ההתקנה נעשית ישירות מול מאגר הגיטהאב של rumourscape/F5-TTS לפי ההוראות שם.
אם אתם צריכים רק לבדוק כמה משפטים פעם בשבוע, הקמה עצמית כזו תגזול זמן מיותר ועדיף למצוא נקודת קצה קיימת. אבל אם אתם מתכננים עיבוד שמע רציף בלי לשלם על כל דקת דיבור, החומרה הנדרשת זולה מספיק כדי להצדיק שרת עצמאי קטן.
pip install -U huggingface_hub hf download SPRINGLab/F5-Hindi-24KHz
הקבצים
8 קבצים במאגר, 2.9 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.
הרישיון
הרישיון הוא CC-BY-4.0. אפשר להשתמש בו לצרכים מסחריים ופרטיים, לשנות אותו ולשלב אותו במוצרים, בתנאי שנותנים קרדיט ברור ליוצרים מהמכון הטכנולוגי של מדראס ומציינים אם בוצעו שינויים.
- שימוש מסחרי
- שינוי הקוד
- חובת ייחוס