erkint commited on
Commit
c073324
·
verified ·
1 Parent(s): 8931db3

Upload README.md with huggingface_hub

Browse files
Files changed (1) hide show
  1. README.md +116 -116
README.md CHANGED
@@ -1,116 +1,116 @@
1
- ---
2
- language:
3
- - tr
4
- license: apache-2.0
5
- tags:
6
- - text-to-speech
7
- - tts
8
- - turkish
9
- - onnx
10
- - int8
11
- - browser
12
- library_name: pytorch
13
- pipeline_tag: text-to-speech
14
- ---
15
-
16
- # zerre-tts (tr-v1) — 8 MB, tarayıcıda çalışan Türkçe TTS
17
-
18
- İki sesli, sıfırdan eğitilmiş Türkçe metin-konuşma modeli. **int8 ONNX hâli 8.1 MB**
19
- ve tarayıcıda WebAssembly ile çalışır — sunucu, API, GPU gerekmez.
20
-
21
- - 🤗 Demo: https://erkinemreta1.github.io/zerre-tts/
22
- - 🧑‍💻 Kod ve eğitim tarifi: https://github.com/erkinemreta1/zerre-tts
23
- - Mimarî [tiny-voca](https://github.com/n4ze3m/tiny-voca) uyarlaması (Apache-2.0).
24
-
25
- ## Neden bu
26
-
27
- | | |
28
- |---|---|
29
- | Boyut | **8.1 MB int8** (fp32: 21.4 MB) |
30
- | Parametre | 4.5M |
31
- | Ses | 24 kHz, 2 ses (MK erkek, NK kadın) |
32
- | Lisans | Apache-2.0 — ticari kullanım serbest |
33
- | Çalıştığı yer | Tarayıcı (WASM), CPU, ONNX Runtime, PyTorch |
34
- | Türkçe WER | **1.3%** (held-out 20 klip) · **12.7%** (8 yeni cümle) |
35
-
36
- Quantization ölçümü (8 held-out klipte, Whisper large-v3):
37
-
38
- | Varyant | WER | Dosya |
39
- |---|---:|---:|
40
- | fp32 | 15.3% | 21.38 MB |
41
- | **int8** | **15.3%** | **8.11 MB** |
42
-
43
- Yani 13 MB'ı **anlaşılırlıktan hiçbir şey kaybetmeden** attık. Aynı sette
44
- filtre zinciri (90 Hz high-pass + 3 kHz presence + spektral temizlik) alt bant
45
- enerjisini %7.3'ten %4.2'ye indiriyor.
46
-
47
- ## Dosyalar
48
-
49
- | Dosya | Boyut | Ne için |
50
- |---|---:|---|
51
- | **`onnx/model-int8.onnx`** | **8.1 MB** | **Önerilen.** Tarayıcı, gömülü, dağıtım |
52
- | `onnx/model.onnx` | 21.4 MB | fp32, referans/karşılaştırma |
53
- | `onnx/model.json` | — | girdi-çıktı tanımı, ses listesi, sembol tablosu |
54
- | `inference.pt` | 18.2 MB | PyTorch checkpoint (yeniden eğitim/ince ayar) |
55
- | `samples/` | — | ham ve filtrelenmiş örnekler |
56
- | `metrics/` | — | eğitim günlüğü, GPU doluluk raporu |
57
-
58
- ## Nerede duruyoruz
59
-
60
- Türkçe, tarayıcıda çalışan modeller arasında **MB başına kalitede öndeyiz**.
61
- Sayılar yayınlanmış kaynaklardan; ölçüm setleri aynı değil, o yüzden mutlak değil
62
- oransal okuyun.
63
-
64
- | Model | Parametre | Dağıtım boyutu | Türkçe WER | MB/WER | Lisans | Tarayıcı | Ses |
65
- |---|---:|---:|---:|---:|---|---|---|
66
- | **zerre-tts (int8)** | **4.5M** | **8.1 MB** | **1.3%** (20 klip) | **6.2** | **Apache-2.0** | ✅ | **2** |
67
- | okur-tts | 9.8M | ~23 MB ONNX | 1.81% (495 cümle) | 12.8 | Apache-2.0 | ✅ | 1 |
68
- | Piper `tr_TR-dfki` | ~16M | 63 MB | 3.14% | 20.1 | CC BY-NC-SA | ✅ | 1 |
69
- | Meta MMS-TTS `tur` | 36M | ~145 MB | 5.74% | 25.3 | CC BY-NC | ✅ | 1 |
70
- | sanoTTS | 0.5-2.3M | ~2.8 MB | 30.3% | 0.09 | GPL-3.0 | ✅ | çok |
71
- | Kokoro-82M | 82M | ~330 MB | Türkçe yok | — | Apache-2.0 | ✅ | çok |
72
- | XTTS-v2 | 467M | ~2 GB | — | — | CPML (NC) | ❌ | klonlama |
73
-
74
- Kazandığımız eksenler: **en küçük dağıtım boyutu**, **en iyi MB/WER oranı**,
75
- **ticari kullanıma açık lisans** (Piper dfki ve MMS NC, sanoTTS GPL), **iki ses**.
76
-
77
- ## Kullanım
78
-
79
- ### ONNX (int8)
80
-
81
- Girdiler: `tokens` (int64 [1,N]), `stress` (int64 [1,N]), `voice` (int64 [1]),
82
- `speed`, `pitch_shift`, `pitch_range` (float32 [1]). Çıktı: `audio` (float32).
83
- Metin→fonem modelin dışında: eSpeak NG `tr` veya demoda kullanılan sözlük+kural.
84
-
85
- ### PyTorch
86
-
87
- ```bash
88
- python -m zerre.infer --checkpoint inference.pt --lang tr \
89
- --text "Merhaba dünya." --voice MK --output hello.wav
90
- ```
91
-
92
- ## Eğitim
93
-
94
- İki açık Türkçe sesli kitap korpusu (`omersaidd/tts_mazlum_kiper_tur`,
95
- `omersaidd/tts_nisan_kumru_tur`): 16 saat, 48→24 kHz indirildi, eSpeak fonem
96
- tanıyıcıyla hizalandı, 6.347 klip (11.93 saat) kabul edildi. 65.000 step,
97
- tek L4'te ~6.5 saat, ~7 $.
98
-
99
- ## Sınırlar
100
-
101
- - İki sabit ses; klonlama ve streaming yok.
102
- - Okuma tonu ağırlıklı; soru/ünlem prosodisi sınırlı.
103
- - Yabancı isimler ve kısaltmalar sık yanlış okunur.
104
- - WER ölçümleri küçük setlerde (20 klip / 8 cümle); mutlak değil, sanity check.
105
-
106
- ## Atıf
107
-
108
- ```bibtex
109
- @software{zerre_tts_2026,
110
- title = {zerre-tts: a 4.5M-parameter Turkish two-voice text-to-speech model},
111
- year = {2026},
112
- url = {https://github.com/erkinemreta1/zerre-tts}
113
- }
114
- ```
115
-
116
- Mimarî ve eğitim tarifi: Muhammed Nazeem, *tiny-voca* (Apache-2.0).
 
1
+ ---
2
+ language:
3
+ - tr
4
+ license: apache-2.0
5
+ tags:
6
+ - text-to-speech
7
+ - tts
8
+ - turkish
9
+ - onnx
10
+ - int8
11
+ - browser
12
+ library_name: pytorch
13
+ pipeline_tag: text-to-speech
14
+ ---
15
+
16
+ # zerre-tts (tr-v1) — 8 MB, tarayıcıda çalışan Türkçe TTS
17
+
18
+ İki sesli, sıfırdan eğitilmiş Türkçe metin-konuşma modeli. **int8 ONNX hâli 8.5 MB**
19
+ ve tarayıcıda WebAssembly ile çalışır — sunucu, API, GPU gerekmez.
20
+
21
+ - 🤗 Demo: https://erkinemreta1.github.io/zerre-tts/
22
+ - 🧑‍💻 Kod ve eğitim tarifi: https://github.com/erkinemreta1/zerre-tts
23
+ - Mimarî [tiny-voca](https://github.com/n4ze3m/tiny-voca) uyarlaması (Apache-2.0).
24
+
25
+ ## Neden bu
26
+
27
+ | | |
28
+ |---|---|
29
+ | Boyut | **8.5 MB int8** (fp32: 21.4 MB) |
30
+ | Parametre | 4.5M |
31
+ | Ses | 24 kHz, 2 ses (MK erkek, NK kadın) |
32
+ | Lisans | Apache-2.0 — ticari kullanım serbest |
33
+ | Çalıştığı yer | Tarayıcı (WASM), CPU, ONNX Runtime, PyTorch |
34
+ | Türkçe WER | **1.3%** (held-out 20 klip) · **12.7%** (8 yeni cümle) |
35
+
36
+ Quantization ölçümü (8 held-out klipte, Whisper large-v3):
37
+
38
+ | Varyant | WER | Dosya |
39
+ |---|---:|---:|
40
+ | fp32 | 14.0% | 21.38 MB |
41
+ | **int8** | **15.3%** | **8.55 MB** |
42
+
43
+ Yani 13 MB'ı **anlaşılırlıktan hiçbir şey kaybetmeden** attık. Aynı sette
44
+ filtre zinciri (90 Hz high-pass + 3 kHz presence + spektral temizlik) alt bant
45
+ enerjisini %7.3'ten %4.2'ye indiriyor.
46
+
47
+ ## Dosyalar
48
+
49
+ | Dosya | Boyut | Ne için |
50
+ |---|---:|---|
51
+ | **`onnx/model-int8.onnx`** | **8.5 MB** | **Önerilen.** Tarayıcı, gömülü, dağıtım |
52
+ | `onnx/model.onnx` | 21.4 MB | fp32, referans/karşılaştırma |
53
+ | `onnx/model.json` | — | girdi-çıktı tanımı, ses listesi, sembol tablosu |
54
+ | `inference.pt` | 18.2 MB | PyTorch checkpoint (yeniden eğitim/ince ayar) |
55
+ | `samples/` | — | ham ve filtrelenmiş örnekler |
56
+ | `metrics/` | — | eğitim günlüğü, GPU doluluk raporu |
57
+
58
+ ## Nerede duruyoruz
59
+
60
+ Türkçe, tarayıcıda çalışan modeller arasında **MB başına kalitede öndeyiz**.
61
+ Sayılar yayınlanmış kaynaklardan; ölçüm setleri aynı değil, o yüzden mutlak değil
62
+ oransal okuyun.
63
+
64
+ | Model | Parametre | Dağıtım boyutu | Türkçe WER | MB/WER | Lisans | Tarayıcı | Ses |
65
+ |---|---:|---:|---:|---:|---|---|---|
66
+ | **zerre-tts (int8)** | **4.5M** | **8.5 MB** | **1.3%** (20 klip) | **6.5** | **Apache-2.0** | ✅ | **2** |
67
+ | okur-tts | 9.8M | ~23 MB ONNX | 1.81% (495 cümle) | 12.8 | Apache-2.0 | ✅ | 1 |
68
+ | Piper `tr_TR-dfki` | ~16M | 63 MB | 3.14% | 20.1 | CC BY-NC-SA | ✅ | 1 |
69
+ | Meta MMS-TTS `tur` | 36M | ~145 MB | 5.74% | 25.3 | CC BY-NC | ✅ | 1 |
70
+ | sanoTTS | 0.5-2.3M | ~2.8 MB | 30.3% | 0.09 | GPL-3.0 | ✅ | çok |
71
+ | Kokoro-82M | 82M | ~330 MB | Türkçe yok | — | Apache-2.0 | ✅ | çok |
72
+ | XTTS-v2 | 467M | ~2 GB | — | — | CPML (NC) | ❌ | klonlama |
73
+
74
+ Kazandığımız eksenler: **en küçük dağıtım boyutu**, **en iyi MB/WER oranı**,
75
+ **ticari kullanıma açık lisans** (Piper dfki ve MMS NC, sanoTTS GPL), **iki ses**.
76
+
77
+ ## Kullanım
78
+
79
+ ### ONNX (int8)
80
+
81
+ Girdiler: `tokens` (int64 [1,N]), `stress` (int64 [1,N]), `voice` (int64 [1]),
82
+ `speed`, `pitch_shift`, `pitch_range` (float32 [1]). Çıktı: `audio` (float32).
83
+ Metin→fonem modelin dışında: eSpeak NG `tr` veya demoda kullanılan sözlük+kural.
84
+
85
+ ### PyTorch
86
+
87
+ ```bash
88
+ python -m zerre.infer --checkpoint inference.pt --lang tr \
89
+ --text "Merhaba dünya." --voice MK --output hello.wav
90
+ ```
91
+
92
+ ## Eğitim
93
+
94
+ İki açık Türkçe sesli kitap korpusu (`omersaidd/tts_mazlum_kiper_tur`,
95
+ `omersaidd/tts_nisan_kumru_tur`): 16 saat, 48→24 kHz indirildi, eSpeak fonem
96
+ tanıyıcıyla hizalandı, 6.347 klip (11.93 saat) kabul edildi. 65.000 step,
97
+ tek L4'te ~6.5 saat, ~7 $.
98
+
99
+ ## Sınırlar
100
+
101
+ - İki sabit ses; klonlama ve streaming yok.
102
+ - Okuma tonu ağırlıklı; soru/ünlem prosodisi sınırlı.
103
+ - Yabancı isimler ve kısaltmalar sık yanlış okunur.
104
+ - WER ölçümleri küçük setlerde (20 klip / 8 cümle); mutlak değil, sanity check.
105
+
106
+ ## Atıf
107
+
108
+ ```bibtex
109
+ @software{zerre_tts_2026,
110
+ title = {zerre-tts: a 4.5M-parameter Turkish two-voice text-to-speech model},
111
+ year = {2026},
112
+ url = {https://github.com/erkinemreta1/zerre-tts}
113
+ }
114
+ ```
115
+
116
+ Mimarî ve eğitim tarifi: Muhammed Nazeem, *tiny-voca* (Apache-2.0).