Navoiy TTS är nu öppet för alla

ProdukterLästid: 3 min

Av Otabek Nurmuhammad

Navoiy TTS, uzbekisk talsyntesmodell med öppen källkod

I dag har vi beslutat att släppa Navoiy TTS som öppen källkod. Vi började med CosyVoice2-0.5B, lade den på en GPU och tillagade den med tillräckligt många uzbekiska ljudingredienser. Resultatet är en talsyntesmodell som talar uzbekiska bra.

Modellen omvandlar uzbekisk text till neutralt eller uttrycksfullt tal. Den har också ett normaliseringsverktyg som förbereder tal, datum, tider, apostrofer och uzbekisk kyrillisk text för syntes.

Ingenting är perfekt, och modellen har sina begränsningar. Allt handlar om ingredienserna: data. Fler ingredienser av hög kvalitet ger bättre resultat.

Varför öppnade vi modellen för alla?

Vardagligt tal består av mer än enkla ord. Därför förbereddes modellen för att:

  • läsa tal, datum och tider väl;
  • uttala namn och ortnamn korrekt;
  • förstå latinsk och kyrillisk skrift;
  • tala med naturliga pauser;
  • stödja olika talstilar;
  • uttala ryska och engelska ord inne i en mening.

Vi försökte också ta hänsyn till andra situationer du kan stöta på och lösa de svåra uppgifter som följer med dem.

Det enklaste sättet att tacka oss är att dela projektet med dina vänner. Vi blir glada om modellen hjälper dig i ditt projekt.

Vi är glada att du använder våra modeller. Tack för att du använder våra modeller för tal till text och text till tal.

Hur använder jag den?

Följ stegen för att installera, konfigurera och köra modellen. Kontrollpunkten fungerar inte ensam: du behöver även den ursprungliga CosyVoice-koden och basmodellen CosyVoice2-0.5B.

1. Installera först 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. Ladda ner Navoiy TTS

bash

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

Ladda ner basmodellen CosyVoice2-0.5B med den revision som anges i modellkortet.

3. Skapa tal

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

Skriptet kräver CUDA-beräkningar och skapar ljud med 24 kHz. Använd --list-emotions för att se alla tillgängliga känslor.

Känslor

Modellen stöder känslorna calm, happy, sad, angry, nervous, surprised, whisper, warm, tired och sarcastic.

Inställningarna garanterar inte ett visst resultat. Den slutliga rösten beror på text, referensljud, kontrollpunkt och slumpfrö. Vi rekommenderar att du testar med egna texter före produktionssättning.

Normalisering

Tal och datum kan vara svåra för en talsyntesmodell att uttala. Navoiy TTS erbjuder även en normaliseringsmodul:

python

from uztts.normalize import normalize

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

Den omvandlar kyrillisk text till latinsk, standardiserar apostrofer och normaliserar vanliga tal, datum, tider, ordningstal och andra fall.

Begränsningar

Modellen kan uttala namn, lånord, förkortningar och ovanliga tal fel. Den kan också upprepa, utelämna eller ändra ord. Vi har ännu inte utvärderat dialekter eller flerspråkiga texter fullt ut.

Inhämta röstägarens uttryckliga samtycke innan du klonar en röst. Använd inte modellen för att utge dig för någon annan, vilseleda, begå bedrägeri, trakassera eller kringgå röstautentisering. Upplys om att rösten är syntetisk när lyssnare annars kan tro att den tillhör en verklig person.

Slutsats

Navoiy TTS lovar inte perfekt resultat för varje mening. Det är en öppen grund som utvecklare och forskare kan testa, förbättra och använda för att skapa nya produkter.

Utforska modellen på Hugging Face, lyssna på demonstrationerna och dela dina erfarenheter.

Källor