hynt/ZipVoice-Vietnamese-2500h
🛑 Important Note ⚠️ This Text-to-Speech (TTS) model is provided solely for research, experimentation, and technology development purposes. Any audio content generated by the model does not represent the voice, identity, opinions, or endorsement of...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tuần
#1 Repository Của Tuần
🎙️ ZipVoice-Vietnamese-2500h: TTS zero-shot nhẹ, nhanh, chất lượng cao cho tiếng Việt
Mô hình TTS zero-shot dựa trên flow matching, chỉ 123M tham số, được huấn luyện trên 2500 giờ dữ liệu tiếng Việt.
ZipVoice-Vietnamese-2500h là phiên bản tinh chỉnh nhẹ của mô hình ZipVoice, được huấn luyện trên 2500 giờ dữ liệu thoại tiếng Việt từ các bộ dữ liệu PhoAudioBook, ViVoice và TeacherDinh-UEH. Mô hình sử dụng kỹ thuật flow matching, hỗ trợ sinh giọng nói đa người nói và đối thoại, đồng thời đạt hiệu suất cao về độ tương tự giọng nói, khả năng hiểu rõ và tự nhiên.
✨ Điểm nổi bật
- Kích thước nhỏ gọn: Chỉ với 123M tham số, mô hình rất nhẹ và nhanh chạy.
- Chất lượng cao: Hiệu suất tiêu biểu về độ tương tự giọng nói, khả năng hiểu rõ và độ tự nhiên.
- Đa ngôn ngữ: Hỗ trợ tiếng Trung và tiếng Anh.
- Đa chế độ: Hỗ trợ cả sinh giọng nói đơn người và sinh đối thoại.
- Dữ liệu lớn: Được huấn luyện trên 2500 giờ dữ liệu tiếng Việt chất lượng cao.
- Xử lý âm thanh chuyên sâu: Loại bỏ nhạc nền bằng facebook demucs, lọc âm thanh dưới 1s và trên 30s.
- Cấu hình huấn luyện tối ưu: Huấn luyện trên GPU RTX 3090, dừng lại ở bước 525.000 (epoch 11).
💡 Vì sao đáng chú ý
ZipVoice-Vietnamese-2500h nổi bật nhờ kết hợp giữa hiệu suất cao và kích thước mô hình nhỏ gọn. Đây là lựa chọn lý tưởng cho nghiên cứu và phát triển ứng dụng TTS tiếng Việt, đặc biệt là trong các dự án yêu cầu tốc độ và hiệu quả cao. Tuy nhiên, mô hình chỉ dùng cho mục đích nghiên cứu và phát triển công nghệ, không được dùng cho mục đích thương mại hoặc sao chép giọng nói mà không có sự đồng ý hợp lệ.
#TextToSpeech #VietnameseTTS #ZipVoice #ZeroShotTTS #FlowMatching #TiniX
Dự án tương tự
Khám phá các dự án và mô hình AI khác có sự tương đồng.
Kokoro is an open-weight TTS model with 82 million parameters. Despite its lightweight architecture, it delivers comparable quality to larger models while being significantly faster and more cost-efficient. With Apache-licensed weights, Kokoro can be...
OmniVoice 🌍 OmniVoice is a massively multilingual zero-shot text-to-speech (TTS) model supporting over 600 languages. Built on a novel diffusion language model-style architecture, it delivers high-quality speech w...
VoxCPM2 VoxCPM2 is a tokenizer-free, diffusion autoregressive Text-to-Speech model — 2B parameters, 30 languages, 48kHz audio output, trained on over 2 million hours of multilingual speech data. !GitHub(https://img.shields.io/badge/GitHub-VoxCPM-blu...
🐸💬 - a deep learning toolkit for Text-to-Speech, battle-tested in research and production
🚀Clone a voice in 5 seconds to generate arbitrary speech in real-time
ⓍTTS ⓍTTS is a Voice generation model that lets you clone voices into different languages by using just a quick 6-second audio clip. There is no need for an excessive amount of training data that spans countless hours. This is the same or similar mo...
Dia is a 1.6B parameter text to speech model created by Nari Labs. It was pushed to the Hub using the PytorchModelHubMixin(https://huggingface.co/docs/huggingfacehub/packagereference/mixinshuggingfacehub.PyTorchModelHubMixin) integration. Dia direct...
VibeVoice: A Frontier Open-Source Text-to-Speech Model VibeVoice is a novel framework designed for generating expressive, long-form, multi-speaker conversational audio, such as podcasts, from text. It addresses significant challenges in traditional...
Qwen3-TTS Overview Introduction Qwen3-TTS covers 10 major languages (Chinese, English, Japanese, Korean, German, French, Russian, Portuguese, Spanish, and Italian) as well as multiple dialectal voice profiles to meet global application needs. In add...