Anadilorg/Anadil_Tatar_TTS

AnadilTatarTTS — Tatar (Tatarca) Text-to-Speech Modeli

AnadilTatarTTS, openbmb/VoxCPM2 temel modeli üzerine LoRA (Low-Rank Adaptation) ile ince ayar yapılmış, Tatar (ISO 639-3: tt) için açık kaynak bir konuşma sentezi (text-to-speech) modelidir. 30.041 segmentlik tek konuşmacılı bir veri setiyle eğitilmiştir — "Anadil" ailesinin yeni üyesidir.

AnadilTatarTTS is an open-source text-to-speech LoRA adapter for Tatar (Tataric language, tt), fine-tuned on top of VoxCPM2 on 30,041 single-speaker utterances. Tatar is a Turkic language spoken by ~5 million people in the Republic of Tatarstan (Russia) and surrounding regions — this model continues the "Anadil" family's effort to give low-resource languages a voice in digital tools.

📋 Model Bilgileri

Özellik	Detay
Dil	Tatar (tt)
Konuşucu	spk_tmp_001 (tek konuşmacı)
Temel model	openbmb/VoxCPM2
Yöntem	LoRA (r=32, α=32, LM + DiT katmanları)
Eğitim verisi	30.041 segment — Common Voice tt
Eğitim adımı	5.000 (kaydedilen son checkpoint)
Adapter boyutu	~70 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, UTMOS vb.) henüz hesaplanmamıştır.

1. Канатларын кага-кага очып китте бу.

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

2. заманасына карата - бик тә гаҗәп күренеш бу.

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

3. Барысы да үз кайгыларын сөйләгәннәр.

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

4. Салпы якка салам кыстыру.

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

5. Менә шуларның берничәсе.

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 voxcpm
git clone https://huggingface.co/Anadilorg/Anadil_Tatar_TTS
cd Anadil_Tatar_TTS

# Tek cümle sentezle
python inference.py "Сәлам!" --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 AnadilTatarTTS

tts = AnadilTatarTTS()  # openbmb/VoxCPM2 + bu repo'daki LoRA ağırlıkları
tts.synthesize(
    "Сәлам!",
    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, Tatar 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.
• Sentez için ~9 GB bellek önerilir (fp32); CUDA tercih edilir, Apple Silicon daha yavaştır.

Citation

@software{anadil-tatar-tts,
  author = {Anadilorg},
  title = {AnadilTatarTTS: An Open-Source Text-to-Speech LoRA Adapter for Tatar},
  url = {https://huggingface.co/Anadilorg/Anadil_Tatar_TTS},
  version = {0.1.0},
  year = {2026}
}

Lisans

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