MozilLaz — Lazcanın Açık Kaynak Text-to-Speech Modeli

MozilLaz, VoxCPM2 üzerine LoRA fine-tuning ile eğitilmiş, Lazca (lzz) konuşma sentezi modeli. Mozilla'nın açık kaynak Lazca veri setleri kullanılarak eğitilmiştir.

Özellik	Detay
Dil	Lazca (lzz)
Konuşucu	Çok konuşucu (Mozilla Lazca veri setinden)
Mimari	VoxCPM2 + LoRA (r=32, α=32)
Eğitim verisi	~21.000 segment
Eğitim adımı	2.000
LoRA ağırlıkları	~70 MB (18,1M parametre, F32)
Audio sample rate	16 kHz (giriş) / 48 kHz (çıkış)

⚡ Hızlı Başlangıç

# 1. Bu repo'yu klonlayın
git clone https://huggingface.co/Anadilorg/MozilLaz
cd MozilLaz

# 2. Sanal ortam oluşturun
python -m venv venv
source venv/bin/activate

# 3. Gerekli paketleri yükleyin
pip install -r requirements.txt

# 4. Ses üretin (base model ilk seferde otomatik indirilir, ~4.6 GB)
python inference.py --text "[speaker:spk_tmp_001 language:lzz] Ngolaşa uluri?"

Not: LoRA yüklemesi voxcpm paketinin kendi LoRA desteğiyle yapılır — peft gerekmez.

📖 Kullanım

Python API ile

import json
import numpy as np
import soundfile as sf
from voxcpm import VoxCPM
from voxcpm.model.voxcpm import LoRAConfig

# 1. LoRA konfigürasyonunu okuyun
with open("lora_config.json") as f:
    lc = json.load(f)["lora_config"]
lora_cfg = LoRAConfig(**{k: v for k, v in lc.items() if k in LoRAConfig.model_fields})

# 2. Base model + MozilLaz LoRA adapter'ını tek adımda yükleyin
model = VoxCPM.from_pretrained(
    "openbmb/VoxCPM2",
    lora_config=lora_cfg,
    lora_weights_path="lora_weights.safetensors",
)

# 3. Ses üretin — Lazca metin
text = "[speaker:spk_tmp_001 language:lzz] Mehmet manişa dulya komenç̌elu do oxorimuşişa igzalu."
audio = model.generate(text=text, inference_timesteps=10, cfg_value=2.0)

# 4. Kaydedin (çıkış 48 kHz)
sf.write("output.wav", np.asarray(audio).squeeze(), 48000)
print("✅ Ses üretildi! output.wav dosyasına kaydedildi.")

Batch inference

texts = [
    "[speaker:spk_tmp_001 language:lzz] Mektebişa oxtimu na gyoç̆ǩu orape var şuns.",
    "[speaker:spk_tmp_001 language:lzz] Ngolaşa uluri?",
]

for i, text in enumerate(texts):
    audio = model.generate(text=text, inference_timesteps=10, cfg_value=2.0)
    sf.write(f"output_{i}.wav", np.asarray(audio).squeeze(), 48000)

Gradio ile tarayıcı demosu

pip install gradio
python demo.py            # http://localhost:7860
python demo.py --share    # public link

Command Line

python inference.py \
    --text "[speaker:spk_tmp_001 language:lzz] Xelaǩaoba, manebrape!" \
    --output my_voice.wav \
    --base-model openbmb/VoxCPM2

Hızlı doğrulama (smoke test)

python test_smoke.py   # ağırlık eşleşmesini ve uçtan uca üretimi doğrular

🏗️ Model Detayları

VoxCPM2 Base Model

• LM: 28 kat, 2048 hidden dim, 16 attention heads, KV=2, vocab=73448
• RoPE: LongRoPE (32768 max position)
• DiT: 12 kat, 1024 hidden dim, CFM solver (Euler, log-norm, cfg_rate=2.0)
• AudioVAE: 16kHz → 48kHz, 64-dim latent
• Patch size: 4, feat_dim: 64

LoRA Adapter (MozilLaz)

• Rank (r): 32
• Alpha (α): 32
• Dropout: 0.0
• LM katmanları: q_proj, k_proj, v_proj, o_proj (base LM 28 kat + residual LM 8 kat)
• DiT katmanları: q_proj, k_proj, v_proj, o_proj (12 kat)
• Projeksiyon katmanları: dahil değil (enable_proj: false)
• Toplam: 384 tensör, 18.087.936 parametre (F32)

📦 Paket Yapısı

MozilLaz/
├── README.md                 # Bu dosya
├── model_card.md             # HuggingFace model kartı
├── config.json               # Model metadata
├── lora_config.json          # LoRA hiperparametreler
├── lora_weights.safetensors  # ~70MB LoRA ağırlıkları
├── requirements.txt          # Gerekli Python paketleri
├── inference.py              # Tek dosyada tam inference script
├── demo.py                   # Gradio demo (opsiyonel)
├── test_smoke.py             # Uçtan uca doğrulama testi
├── sample/                   # Örnek çıktılar (5 WAV)
└── LICENSE                   # MIT

📋 Gereksinimler

Paket	Versiyon
Python	>= 3.10
torch	>= 2.0
torchaudio	>= 2.0
voxcpm	>= 2.0
safetensors	>= 0.3
soundfile	>= 0.11
numpy	>= 1.24

Donanım

• Disk: ~4.7 GB (base model + LoRA)
• Bellek: float32 inference için ~9 GB; CUDA GPU'da bfloat16 ile daha az
• GPU: CUDA önerilir. Apple Silicon (MPS) desteklenir; 16 GB birleşik bellekte çalışır ama swap nedeniyle çok yavaştır (≥24 GB önerilir). CPU çalışır fakat pratik değildir.

🌍 Dil Notu

Lazca (ISO 639-3: lzz), Karadeniz bölgesinde konuşulan Kolkis dilidir. Bu model Mozilla'nın açık kaynak Lazca veri setleri kullanılarak eğitilmiştir ve çok konuşucu modeli olarak sunulur.

📝 Lisans

Bu model MIT lisansı altında sunulmuştur. Detaylar için LICENSE dosyasına bakın.

🔗 Kaynaklar

• VoxCPM2 (Base Model)
• LoRA Paper
• Mozilla Lazca Dil Projesi

💬 Sorun Bildir

Sorunlarınızı veya önerilerinizi AnadilOrg[@]gmail.com