Navoiy TTS ist jetzt für alle offen

ProdukteLesezeit: 3 Min.

Von Otabek Nurmuhammad

Navoiy TTS, quelloffenes Modell für usbekische Sprachsynthese

Heute haben wir beschlossen, Navoiy TTS als Open Source zu veröffentlichen. Als Grundlage nahmen wir CosyVoice2-0.5B, legten es auf eine GPU und bereiteten es mit ausreichend usbekischen Audiozutaten zu. Heraus kam ein Sprachsynthesemodell, das gut Usbekisch spricht.

Das Modell wandelt usbekischen Text in neutrale oder ausdrucksstarke Sprache um. Ein Normalisierungswerkzeug bereitet Zahlen, Daten, Uhrzeiten, Apostrophe und usbekische kyrillische Texte für die Synthese vor.

Nichts ist perfekt, auch dieses Modell hat Grenzen. Entscheidend sind die Zutaten: die Daten. Mehr hochwertige Zutaten führen zu besseren Ergebnissen.

Warum haben wir das Modell für alle geöffnet?

Alltagssprache besteht nicht nur aus einfachen Wörtern. Deshalb wurde das Modell darauf vorbereitet:

  • Zahlen, Daten und Uhrzeiten gut vorzulesen;
  • Namen und Ortsnamen richtig auszusprechen;
  • lateinische und kyrillische Schrift zu verstehen;
  • mit natürlichen Pausen zu sprechen;
  • verschiedene Sprechstile zu unterstützen;
  • russische und englische Wörter innerhalb eines Satzes auszusprechen.

Wir haben auch versucht, weitere mögliche Situationen zu berücksichtigen und die damit verbundenen schwierigen Aufgaben zu lösen.

Am einfachsten danken Sie uns, indem Sie das Projekt mit Freunden teilen. Wir freuen uns, wenn das Modell Ihrem Projekt hilft.

Es freut uns, dass Sie unsere Modelle verwenden. Vielen Dank für die Nutzung unserer Spracherkennungs- und Sprachsynthesemodelle.

Wie verwende ich es?

Installieren, konfigurieren und starten Sie das Modell anhand dieser Schritte. Der Checkpoint funktioniert nicht allein: Sie benötigen auch den ursprünglichen CosyVoice-Code und das Basismodell CosyVoice2-0.5B.

1. Zuerst CosyVoice installieren

bash

git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git
cd CosyVoice
git checkout 074ca6dc9e80a2f424f1f74b48bdd7d3fea531cc
git submodule update --init --recursive
pip install -r requirements.txt
cd ..

2. Navoiy TTS herunterladen

bash

git clone https://huggingface.co/aisha-org/navoiy-tts
pip install -r navoiy-tts/requirements.txt

Laden Sie das Basismodell CosyVoice2-0.5B in der auf der Modellkarte angegebenen Revision herunter.

3. Sprache erzeugen

bash

python navoiy-tts/inference.py \
  --cosyvoice-dir CosyVoice \
  --base-model-dir CosyVoice/pretrained_models/CosyVoice2-0.5B \
  --checkpoint navoiy-tts/emotion_600h_joint.pt \
  --reference reference.wav \
  --text "Bugun siz bilan muhim bir xabarni baham ko'rmoqchiman." \
  --emotion warm \
  --output output.wav

Das Skript benötigt CUDA-Rechenleistung und erzeugt Audio mit 24 kHz. Mit --list-emotions sehen Sie alle verfügbaren Emotionen.

Emotionen

Das Modell unterstützt die Emotionen calm, happy, sad, angry, nervous, surprised, whisper, warm, tired und sarcastic.

Diese Einstellungen garantieren kein bestimmtes Ergebnis. Die Stimme hängt von Text, Referenzaudio, Checkpoint und Zufallsstartwert ab. Testen Sie das System mit eigenen Texten, bevor Sie es produktiv einsetzen.

Normalisierung

Zahlen und Daten können für ein Sprachsynthesemodell schwer auszusprechen sein. Navoiy TTS stellt auch ein Normalisierungsmodul bereit:

python

from uztts.normalize import normalize

print(normalize('Bugun 16.07.2026, soat 14:30 da uchrashamiz.'))

Es wandelt kyrillischen Text in lateinischen um, vereinheitlicht Apostrophe und normalisiert gängige Zahlen, Daten, Uhrzeiten, Ordnungszahlen und weitere Fälle.

Grenzen

Das Modell kann Namen, Lehnwörter, Abkürzungen und ungewöhnliche Zahlen falsch aussprechen. Es kann Wörter wiederholen, auslassen oder verändern. Dialekte und mehrsprachige Texte wurden noch nicht vollständig geprüft.

Holen Sie vor dem Klonen einer Stimme die ausdrückliche Einwilligung ihres Eigentümers ein. Nutzen Sie das Modell nicht für Identitätstäuschung, Täuschung, Betrug, Belästigung oder zur Umgehung von Sprachauthentifizierung. Kennzeichnen Sie synthetische Stimmen, wenn Zuhörer sie sonst für die Stimme eines echten Menschen halten könnten.

Fazit

Navoiy TTS verspricht keine perfekte Ausgabe für jeden Satz. Es ist eine offene Grundlage, die Entwickler und Forscher testen, verbessern und für neue Produkte verwenden können.

Entdecken Sie das Modell auf Hugging Face, hören Sie die Demos und teilen Sie Ihre Erfahrungen.

Quellen