Anadilorg/Anadil_Uzbek_TTS

AnadilUzbekTTS — Özbek Text-to-Speech Modeli

AnadilUzbekTTS, openbmb/VoxCPM2 temel modeli üzerine LoRA (Low-Rank Adaptation) ile ince ayar yapılmış, Özbek (ISO 639-3: uz) için açık kaynak bir konuşma sentezi (text-to-speech) modelidir. 87.695 segmentlik tek konuşmacılı bir veri setiyle eğitilmiştir — "Anadil" ailesinin en büyük veri setine sahip üyesidir.

AnadilUzbekTTS is an open-source text-to-speech LoRA adapter for Uzbek (Özbek, uz), fine-tuned on top of VoxCPM2 on 87,695 single-speaker utterances. Uzbek is a Turkic language spoken by ~35 million people in Uzbekistan and surrounding regions — this model is the newest member of the "Anadil" family, and has the largest training corpus among all Anadil TTS adapters to date.

📋 Model Bilgileri

Özellik	Detay
Dil	Özbek (uz)
Konuşucu	spk_tmp_001 (tek konuşmacı)
Temel model	openbmb/VoxCPM2
Yöntem	LoRA (r=32, α=32, LM + DiT katmanları)
Eğitim verisi	87.695 segment — Common Voice uz
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. Nogahon ko‘z yumgan onangizning qabrini silab yig‘laganmisiz?

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

2. Oldinroq ko‘rmaganimdan afsusdaman.

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

3. Shu uchun qo‘rquv muhiti foyda berar edi.

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

4. Xo‘ja bir sandiqni ochib berdi.

Orijinal (Gerçek Konuşmacı)	Sentez (Model Çıktısı)

5. Alqasos, der musulmon.

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_Uzbek_TTS
cd Anadil_Uzbek_TTS

# Tek cümle sentezle
python inference.py "Assalomu alaykum!" --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 AnadilUzbekTTS

tts = AnadilUzbekTTS()  # openbmb/VoxCPM2 + bu repo'daki LoRA ağırlıkları
tts.synthesize(
    "Assalomu alaykum!",
    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, Özbek 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-uzbek-tts,
  author = {Anadilorg},
  title = {AnadilUzbekTTS: An Open-Source Text-to-Speech LoRA Adapter for Uzbek},
  url = {https://huggingface.co/Anadilorg/Anadil_Uzbek_TTS},
  version = {0.1.0},
  year = {2026}
}

Lisans

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