Navoiy TTS est désormais accessible à tous

ProduitsTemps de lecture : 4 min

Par Otabek Nurmuhammad

Navoiy TTS, modèle open source de synthèse vocale en ouzbek

Aujourd’hui, nous avons décidé de publier Navoiy TTS en open source. Nous sommes partis de CosyVoice2-0.5B, l’avons placé sur un GPU et l’avons fait mijoter avec suffisamment d’ingrédients audio en ouzbek. Résultat : un modèle de synthèse vocale qui parle bien ouzbek.

Le modèle transforme le texte ouzbek en parole neutre ou expressive. Il comprend également un outil de normalisation qui prépare les nombres, dates, heures, apostrophes et textes ouzbeks en cyrillique pour la synthèse.

Rien n’est parfait, et ce modèle a lui aussi ses limites. Tout dépend des ingrédients : les données. Des ingrédients plus nombreux et de meilleure qualité donnent de meilleurs résultats.

Pourquoi avons-nous ouvert le modèle à tous ?

La parole quotidienne ne se limite pas à des mots simples. Le modèle a donc été préparé pour :

  • bien lire les nombres, les dates et les heures ;
  • prononcer correctement les noms et les noms de lieux ;
  • comprendre les écritures latine et cyrillique ;
  • parler avec des pauses naturelles ;
  • prendre en charge différents styles de parole ;
  • prononcer des mots russes et anglais au sein d’une phrase.

Nous avons aussi essayé de tenir compte d’autres situations que vous pourriez rencontrer et de résoudre les difficultés associées.

Le moyen le plus simple de nous remercier est de partager le projet avec vos amis. Nous serons ravis si ce modèle vous est utile dans votre projet.

Nous sommes heureux de vous voir utiliser nos modèles. Merci d’utiliser nos modèles de transcription et de synthèse vocale.

Comment l’utiliser ?

Suivez ces étapes pour installer, configurer et exécuter le modèle. Le checkpoint ne fonctionne pas seul : vous avez aussi besoin du code amont CosyVoice et du modèle de base CosyVoice2-0.5B.

1. Installez d’abord CosyVoice

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. Téléchargez Navoiy TTS

bash

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

Téléchargez le modèle de base CosyVoice2-0.5B avec la révision indiquée dans la fiche du modèle.

3. Générez la parole

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

Le script nécessite des capacités de calcul CUDA et génère un son à 24 kHz. Utilisez --list-emotions pour afficher toutes les émotions disponibles.

Émotions

Le modèle prend en charge les émotions calm, happy, sad, angry, nervous, surprised, whisper, warm, tired et sarcastic.

Ces réglages ne garantissent pas un résultat précis. La voix finale dépend du texte, de l’audio de référence, du checkpoint et de la graine aléatoire. Nous recommandons de tester le système avec vos propres textes avant sa mise en production.

Normalisation

Les nombres et les dates peuvent être difficiles à prononcer pour un modèle de synthèse vocale. Navoiy TTS fournit également un module de normalisation :

python

from uztts.normalize import normalize

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

Il convertit le texte cyrillique en latin, uniformise les apostrophes et normalise notamment les nombres courants, les dates, les heures et les nombres ordinaux.

Limites

Le modèle peut mal prononcer des noms, des emprunts, des abréviations et des nombres inhabituels. Il peut aussi répéter, omettre ou modifier des mots. Nous n’avons pas encore entièrement évalué les dialectes ni les textes multilingues.

Avant de cloner une voix, obtenez le consentement explicite de son propriétaire. N’utilisez pas le modèle pour usurper une identité, tromper, frauder, harceler ou contourner des systèmes d’authentification vocale. Indiquez qu’une voix est synthétique chaque fois que les auditeurs pourraient croire qu’elle appartient à une personne réelle.

Conclusion

Navoiy TTS ne promet pas un résultat parfait pour chaque phrase. C’est une base ouverte que les développeurs et chercheurs peuvent tester, améliorer et utiliser pour créer de nouveaux produits.

Découvrez le modèle sur Hugging Face, écoutez les démos et partagez votre expérience.

Sources