Anadilorg/Anadil_Sakha_TTS

AnadilSakhaTTS — Sakha (Yakut) Text-to-Speech Modeli

AnadilSakhaTTS, openbmb/VoxCPM2 temel modeli üzerine LoRA (Low-Rank Adaptation) ile ince ayar yapılmış, Sakha / Yakut (ISO 639-3: sah) için açık kaynak bir konuşma sentezi (text-to-speech) modelidir. 9.360 segmentlik tek konuşmacılı bir veri setiyle (Mozilla Common Voice 26.0 sah katkısı) eğitilmiştir — "Anadil" ailesinin (Lazca, Zazaca, Adığece, Kurmancî, Ermenice, Ladino, Kırgızca, Uyghur) en yeni üyesidir.

AnadilSakhaTTS is an open-source text-to-speech LoRA adapter for Sakha (Yakut, sah), fine-tuned on top of VoxCPM2 on 9,360 single-speaker utterances from Mozilla Common Voice 26.0. Sakha is a severely under-documented Turkic language of the Sakha Republic (Yakutia, Russia) — this model is the newest member of the "Anadil" family of minority-language TTS adapters, continuing the effort to give low-resource languages a voice in digital tools.

📋 Model Bilgileri

Özellik	Detay
Dil	Sakha / Yakut (sah)
Konuşucu	spk_tmp_001 (tek konuşmacı)
Temel model	openbmb/VoxCPM2
Yöntem	LoRA (r=32, α=32, LM + DiT katmanları)
Eğitim verisi	9.360 segment — Common Voice 26.0 sah
Eğitim adımı	8.000 (kaydedilen son checkpoint)
Adapter boyutu	~72 MB (384 tensor, ~18,1M parametre, F32)
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. Otomatik kalite metrikleri (WER vb.) henüz hesaplanmamıştır.

1. Биир сааһыра барбыт киһи ыйытыыта олорооччулар сэҥээриилэрин тарта

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

2. От үлэтин саҕана ат миинэн нэһилиэги кэрийэ баран хаалар

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

3. Олохтоох уолаттар Тоҥуулаах Бороҥ оҥоһуута буолуо дииллэр

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

4. Кэлин бу дойдуну сөбүлээн олохсуйан эрэбин

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

5. Ол саҥаттан мин хайдах эрэ уоскуйан хааллым

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

⚡ 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.

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

# Tek cümle sentezle
python inference.py "Дорообо!" --reference samples/1.wav --out hello.wav

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

Python API

from inference import AnadilSakhaTTS

tts = AnadilSakhaTTS()  # openbmb/VoxCPM2 + bu repo'daki LoRA ağırlıkları
tts.synthesize(
    "Дорообо!",
    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 ağırlık bütünlük kontrolü
python test_smoke.py                  # tam test: temel modeli indirir, Sakha bir cümle sentezler

⚠️ Kısıtlamalar

• Küçük veri seti: 9.360 segment — ailedeki diğer modellere göre çok daha az; genel konuşurken modelin üslubu eğitim konuşucusuna yakındır.
• 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.
• Sentez için ~9 GB bellek önerilir (fp32); CUDA tercih edilir, Apple Silicon daha yavaştır.

Citation

@software{anadil-sakha-tts,
  author = {Anadilorg},
  title = {AnadilSakhaTTS: An Open-Source Text-to-Speech LoRA Adapter for Sakha (Yakut)},
  url = {https://huggingface.co/Anadilorg/Anadil_Sakha_TTS},
  version = {0.1.0},
  year = {2026}
}

Lisans

MIT — ayrıntılar için LICENSE dosyasına bakınız. Eğitim verisi Mozilla Common Voice 26.0 (sah) katkısından gelmektedir; ilgili lisans koşullarını (CC-0) lütfen gözden geçiriniz.