Navoiy TTS endi barcha uchun ochiq

MahsulotlarO‘qish vaqti: 3 daqiqa

Muallif: Otabek Nurmuhammad

Navoiy TTS — o‘zbekcha nutq sintezining ochiq kodli modeli

Bugun biz Navoiy TTS modelini ochiq kodli qilishga qaror qildik. Asos sifatida CosyVoice2-0.5B modelini olib, GPU’ga joyladik va yetarlicha o‘zbekcha audio «masalliqlari» bilan tayyorladik. Natijada o‘zbek tilida yaxshi gapira oladigan matndan nutq yaratish modeli paydo bo‘ldi.

Model o‘zbekcha matnni neytral yoki ifodali nutqqa aylantiradi. Shuningdek, sonlar, sanalar, vaqtlar, tutuq belgilari va o‘zbek kirill matnini sintezga tayyorlaydigan normallashtirish vositasi ham mavjud.

Hech narsa mukammal emas va bu modelning ham o‘z cheklovlari bor. Hammasi masalliqqa — ma’lumotlarga bog‘liq. Sifatli masalliq qancha ko‘p bo‘lsa, natija shuncha yaxshi bo‘ladi.

Nega modelni barcha uchun ochiq qildik?

Kundalik nutq faqat oddiy so‘zlardan iborat emas. Shuni hisobga olib, model quyidagilar uchun tayyorlandi:

  • sonlar, sanalar va vaqtni to‘g‘ri o‘qish;
  • ismlar va joy nomlarini to‘g‘ri talaffuz qilish;
  • lotin va kirill yozuvlarini tushunish;
  • tabiiy pauzalar bilan gapirish;
  • turli gapirish uslublarini qo‘llash;
  • gap ichidagi ruscha va inglizcha so‘zlarni talaffuz qilish.

Siz duch kelishingiz mumkin bo‘lgan boshqa holatlarni ham hisobga olishga va ularga bog‘liq murakkab vazifalarni hal qilishga harakat qildik.

Bizga rahmat aytishning eng oson yo‘li — loyihani do‘stlaringiz bilan ulashish. Model loyihangizga foyda keltirsa, juda xursand bo‘lamiz.

Modellarimizdan foydalanayotganingiz bizni quvontiradi. Nutqni matnga va matnni nutqqa aylantirish modellarimizni ishlatayotganingiz uchun rahmat.

Qanday ishlatiladi?

Modelni o‘rnatish, sozlash va ishga tushirish uchun quyidagi bosqichlarni bajaring. Modelning saqlangan holati mustaqil ishlamaydi: asl CosyVoice kodi va CosyVoice2-0.5B bazaviy modeli ham kerak.

1. Avval CosyVoice’ni o‘rnating

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’ni yuklab oling

bash

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

CosyVoice2-0.5B bazaviy modelini model kartasida ko‘rsatilgan versiyada yuklab oling.

3. Nutq yarating

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

Skript CUDA hisoblash imkoniyatini talab qiladi va 24 kHz audio yaratadi. Mavjud barcha hissiyotlarni ko‘rish uchun --list-emotions buyrug‘idan foydalaning.

Hissiyotlar

Model calm, happy, sad, angry, nervous, surprised, whisper, warm, tired va sarcastic hissiyotlarini qo‘llaydi.

Bu sozlamalar aniq bir natijani kafolatlamaydi. Yakuniy ovoz matn, namuna audio, modelning saqlangan holati va tasodifiylikning boshlang‘ich qiymatiga bog‘liq. Tizimni amaliy foydalanishga joriy etishdan oldin o‘z matnlaringiz bilan sinashni tavsiya qilamiz.

Normallashtirish

Matndan nutq yaratuvchi model uchun son va sanalarni talaffuz qilish qiyin bo‘lishi mumkin. Navoiy TTS normallashtirish modulini ham taqdim etadi:

python

from uztts.normalize import normalize

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

U kirill matnini lotinga o‘tkazadi, tutuq belgilarini bir xil ko‘rinishga keltiradi hamda odatiy sonlar, sanalar, vaqt, tartib sonlar va boshqa holatlarni normallashtiradi.

Cheklovlar

Model ismlar, o‘zlashma so‘zlar, qisqartmalar va noodatiy sonlarni noto‘g‘ri talaffuz qilishi mumkin. So‘zlarni takrorlashi, tushirib qoldirishi yoki o‘zgartirishi ham mumkin. Shevalar va bir necha tildagi matnlarni hali to‘liq baholamaganmiz.

Ovozni klonlashdan oldin uning egasidan aniq rozilik oling. Modelni boshqa shaxs nomidan gapirish, aldash, firibgarlik, ta’qib yoki ovoz orqali tasdiqlash tizimlarini chetlab o‘tish uchun ishlatmang. Tinglovchilar ovozni haqiqiy insonniki deb o‘ylashi mumkin bo‘lgan joylarda uning sun’iy ekanini bildiring.

Xulosa

Navoiy TTS har bir gap uchun mukammal natija va’da qilmaydi. U dasturchilar va tadqiqotchilar sinashi, yaxshilashi hamda yangi mahsulotlar yaratishda foydalanishi mumkin bo‘lgan ochiq asosdir.

Modelni Hugging Face sahifasida ko‘ring, namunalarni tinglang va tajribangiz bilan bo‘lishing.

Manbalar