AnadilLazTTS — Lazca Text-to-Speech Modeli

AnadilLazTTS, openbmb/VoxCPM2 temel modelinin tamamının ince ayar (full fine-tune) ile üretilmiş, Lazca (ISO 639-3: lzz, Kartvel dil ailesi) için açık kaynak bir konuşma sentezi (text-to-speech) modelidir. 51.601 segmentlik, Mozilla Common Voice Laz 27.0 katkısından gelen (dataset) tek konuşmacılı veri setiyle eğitilmiştir.

"Anadil" ailesindeki (Kırgızca, Uyghur, Özbek, Azerbaycan, Kazak, Başkurt vb.) diğer üyelerin aksine, bu paket bir LoRA adaptörü DEĞİLDİR — ailenin ilk full fine-tune modelidir: 2,29 milyar parametreli VoxCPM2 modeli tüm ağırlıklarıyla ince ayarlanmış ve bu repoda kendi başına yüklenir bir model olarak dağıtılır.

AnadilLazTTS is an open-source text-to-speech model for Laz (Kartvelian language, lzz), produced by fully fine-tuning the VoxCPM2 base model (2.29B parameters) on 51,601 single-speaker utterances from Mozilla Common Voice Laz 27.0. Unlike the other "Anadil" family members (which ship a LoRA adapter), this package ships the entire fine-tuned model — it is the family's first full fine-tune.

📜 Önceki Sürüm — MozilLaz

Bu model, ailenin ilk Lazca TTS modeli olan MozilLaz (VoxCPM2 LoRA adaptörü; ~21.071 segment, 2.000 adım)'ın doğrudan devamı (successor)'dır. Yeni sürüm; yaklaşık 2,5 kat daha büyük eğitim verisi (51.601 segment), 5 kat daha fazla eğitim adımı (10.000) ve LoRA yerine tam model ince ayarı ile üretilmiştir. Her iki model de MIT lisanslıdır; yeni modelin çıktısı önceki sürümle karşılaştırılabilir.

This model is the successor of MozilLaz, the family's first Laz TTS model (a VoxCPM2 LoRA adapter trained on 21,071 segments for 2,000 steps). The new release is built on **2.5× more training data** (51,601 segments), 5× more training steps (10,000), and a full fine-tune of the base model instead of a LoRA adapter. Both models are MIT-licensed; the new model's output is directly comparable to its predecessor's.

📋 Model Bilgileri

Özellik Detay
Dil Lazca (lzz, Kartvel)
Konuşucu spk_tmp_001 (tek konuşmacı)
Temel model openbmb/VoxCPM2
Yöntem Tam ince ayar (full fine-tune) — 2,29B parametre, tüm ağırlıklar
Eğitim verisi 51.601 segment — Mozilla Common Voice Laz 27.0, tek konuşmacı
Eğitim adımı 10.000 (son checkpoint)
Önceki sürüm MozilLaz (LoRA, ~21.071 segment, 2.000 adım)
Model boyutu ~8,5 GB (model.safetensors, F32, 577 tensor)
Sample rate 48 kHz çıkış
Lisans MIT

🔊 Örnek Sesler — Orijinal ve Sentez Karşılaştırması

Aşağıda orijinal referans ses (gerçek konuşmacı) ile modelin ürettiği sentez (TTS) arasındaki farkları duyabilirsiniz:

Not: Şeffaflık için belirtelim — bu 5 örnek cümlenin tümü eğitim sırasında modele görülmüş (in-training) cümlelerdir ve her sentez, o cümlenin kendi orijinal ses kaydını referans olarak kullanarak üretilmiştir. Otomatik kalite metrikleri (WER, UTMOS vb.) henüz hesaplanmamıştır.

# Lazca Metin Orijinal (Gerçek Konuşmacı) Sentez (Model Çıktısı)
1 Cari doç̌vi-i?
2 Hemuşen made da var miyonun.
3 Muği ameriša.
4 Goisarindu do dardalu.
5 Nana-şǩimi ujden iǩaimen.

⚡ Hızlı Başlangıç

Model, hedef konuşmacının referans ses klibi (reference wav) üzerinden ses klonlaması yapar — eğitim konuşucusu için samples/1.wav kullanılabilir, farklı bir ses için kendi wav kaydınızı verin. Bu paket tüm modeli içerir; ayrıca bir temel model ya da LoRA ağırlığı indirmenize gerek yoktur.

pip install torch torchaudio soundfile safetensors voxcpm
git clone https://huggingface.co/Anadilorg/Anadil_Laz_TTS
cd Anadil_Laz_TTS

# Tek cümle sentezle
python inference.py "Cari doç̌vi-i?" --reference samples/1.wav --out hello.wav

# Repo'daki 5 örnek cümlenin tümünü üret (samples/1a..5a.wav)
python inference.py --list-samples

Python API

from inference import AnadilLazTTS

tts = AnadilLazTTS()  # bu repodaki tam (full) model — dış bağımlılık yok
tts.synthesize(
    "Cari doç̌vi-i?",
    reference_wav="samples/1.wav",
    out_path="hello.wav",
    cfg_value=2.0,
    inference_timesteps=10,
)

Gradio arayüzü (yerel)

pip install gradio
python demo.py            # http://localhost:7860

🧪 Doğrulama

python test_smoke.py --weights-only   # saniyeler içinde model ağırlık bütünlük kontrolü
python test_smoke.py                  # tam test: tam modeli yükler, Lazca bir cümle sentezler

⚠️ Kısıtlamalar

  • Tek konuşmacı: Model tek bir konuşmacı etiketi (spk_tmp_001) üzerine eğitilmiştir; farklı sesler referans klip ile sıfır-örnekçi klonlama yoluyla yaklaşılmaya çalışılır.
  • Kalite metrikleri: Henüz otomatik metrikler (WER, UTMOS vb.) raporlanmamıştır; örnekler eğitim içi cümlelerle sınırlıdır.
  • Boyut: Full fine-tune olduğu için ~8,5 GB model ağırlığı içerir (LoRA adaptöründen büyüktür). Sentez için ~9 GB bellek önerilir (fp32); CUDA tercih edilir, Apple Silicon daha yavaştır.

Citation

@software{anadil-laz-tts,
  author = {Anadilorg},
  title = {AnadilLazTTS: A Full Fine-Tune of VoxCPM2 for Laz Text-to-Speech},
  url = {https://huggingface.co/Anadilorg/Anadil_Laz_TTS},
  version = {0.1.0},
  year = {2026}
}

Lisans

MIT — ayrıntılar için LICENSE dosyasına bakınız. Eğitim verisi Mozilla Common Voice Laz 27.0 (dataset) katkısından gelmektedir; ilgili lisans koşullarını (CC-0) lütfen gözden geçiriniz.

Downloads last month
20
Safetensors
Model size
2B params
Tensor type
F32
·
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for Anadilorg/Anadil_Laz_TTS

Base model

openbmb/VoxCPM2
Finetuned
(54)
this model