आज हमने Navoiy TTS को खुला-स्रोत बनाने का निर्णय लिया। हमने CosyVoice2-0.5B को आधार बनाया, GPU पर रखा और पर्याप्त उज़्बेक ऑडियो सामग्री के साथ पकाया। नतीजे में ऐसा टेक्स्ट-टू-स्पीच मॉडल बना जो अच्छी उज़्बेक बोल सकता है।
मॉडल उज़्बेक टेक्स्ट को तटस्थ या भावपूर्ण आवाज़ में बदलता है। इसमें सामान्यीकरण का एक उपकरण भी है जो संख्याएँ, तारीखें, समय, अपॉस्ट्रॉफ़ी और सिरिलिक में लिखे उज़्बेक टेक्स्ट को संश्लेषण के लिए तैयार करता है।
कुछ भी पूर्ण नहीं है और इस मॉडल की भी सीमाएँ हैं। सब कुछ सामग्री, यानी डेटा पर निर्भर करता है। अधिक अच्छी सामग्री से बेहतर परिणाम मिलता है।
हमने मॉडल सभी के लिए क्यों खोला?
रोज़मर्रा की भाषा में केवल सरल शब्द नहीं होते। इसे ध्यान में रखते हुए मॉडल को इन कामों के लिए तैयार किया गया:
- संख्याएँ, तारीखें और समय सही पढ़ना;
- नामों और जगहों के नाम सही बोलना;
- लैटिन और सिरिलिक दोनों लिपियाँ समझना;
- स्वाभाविक ठहराव के साथ बोलना;
- बोलने की अलग-अलग शैलियों का समर्थन करना;
- वाक्य में आने वाले रूसी और अंग्रेज़ी शब्द बोलना।
हमने आपकी अन्य संभावित परिस्थितियों को भी ध्यान में रखने और उनसे जुड़ी कठिन समस्याएँ हल करने की कोशिश की।
हमें धन्यवाद देने का सबसे आसान तरीका है इस प्रोजेक्ट को दोस्तों के साथ साझा करना। यदि मॉडल आपके प्रोजेक्ट में उपयोगी साबित हो, तो हमें खुशी होगी।
आपको हमारे मॉडल इस्तेमाल करते देखकर खुशी होती है। हमारे वाक् पहचान और टेक्स्ट-टू-स्पीच मॉडल इस्तेमाल करने के लिए धन्यवाद।
इसे कैसे इस्तेमाल करें?
मॉडल इंस्टॉल करने, कॉन्फ़िगर करने और चलाने के लिए ये चरण अपनाएँ। चेकपॉइंट अकेले नहीं चलता: मूल CosyVoice कोड और CosyVoice2-0.5B बेस मॉडल भी चाहिए।
1. पहले CosyVoice इंस्टॉल करें
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 डाउनलोड करें
git clone https://huggingface.co/aisha-org/navoiy-tts
pip install -r navoiy-tts/requirements.txtमॉडल कार्ड में बताए गए रिविज़न वाला CosyVoice2-0.5B बेस मॉडल डाउनलोड करें।
3. आवाज़ बनाएँ
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.wavस्क्रिप्ट को CUDA कंप्यूटिंग की आवश्यकता है और यह 24 kHz ऑडियो बनाती है। सभी उपलब्ध भावनाएँ देखने के लिए --list-emotions इस्तेमाल करें।
भावनाएँ
मॉडल calm, happy, sad, angry, nervous, surprised, whisper, warm, tired और sarcastic भावनाओं का समर्थन करता है।
ये सेटिंग किसी निश्चित परिणाम की गारंटी नहीं देतीं। अंतिम आवाज़ टेक्स्ट, संदर्भ ऑडियो, मॉडल चेकपॉइंट और रैंडम सीड पर निर्भर है। प्रोडक्शन में लगाने से पहले अपने टेक्स्ट से परीक्षण करने की सलाह देते हैं।
सामान्यीकरण
संख्याओं और तारीखों का उच्चारण टेक्स्ट-टू-स्पीच मॉडल के लिए कठिन हो सकता है। Navoiy TTS सामान्यीकरण मॉड्यूल भी देता है:
from uztts.normalize import normalize
print(normalize('Bugun 16.07.2026, soat 14:30 da uchrashamiz.'))यह सिरिलिक टेक्स्ट को लैटिन में बदलता है, अपॉस्ट्रॉफ़ी एक समान करता है और सामान्य संख्याएँ, तारीखें, समय, क्रमवाचक संख्याएँ तथा अन्य रूप सामान्यीकृत करता है।
सीमाएँ
मॉडल नामों, उधार लिए शब्दों, संक्षिप्त रूपों और असामान्य संख्याओं का गलत उच्चारण कर सकता है। यह शब्द दोहरा, छोड़ या बदल भी सकता है। बोलियों और बहुभाषी टेक्स्ट का हमने अभी पूरा मूल्यांकन नहीं किया है।
आवाज़ क्लोन करने से पहले उसके मालिक की स्पष्ट सहमति लें। मॉडल का उपयोग किसी का रूप धरने, धोखा देने, ठगी, उत्पीड़न या आवाज़ प्रमाणीकरण को दरकिनार करने के लिए न करें। जहाँ श्रोता आवाज़ को असली व्यक्ति की समझ सकते हों, वहाँ स्पष्ट बताएँ कि यह कृत्रिम है।
निष्कर्ष
Navoiy TTS हर वाक्य के लिए पूर्ण परिणाम का वादा नहीं करता। यह एक खुला आधार है जिसे डेवलपर और शोधकर्ता परख सकते हैं, सुधार सकते हैं और नए उत्पाद बनाने में इस्तेमाल कर सकते हैं।
Hugging Face पर मॉडल देखें, डेमो सुनें और अपना अनुभव साझा करें।