beleata74/kani-tts-400m-bg-voice-clone-ref5s

Bulgarian Ref-Audio KaniTTS Final Package

Това е пакетираният финален ref-audio модел, обучен за българска реч с 5-секунден референтен аудио prompt вместо speaker ID токени.

Какво има вътре

• models/kani-tts-400m-bg-refaudio5s-final-ckpt30000/
  • финалният модел за inference от checkpoint-30000
• inference_refaudio.py
  • основният скрипт за синтез с референтно WAV аудио
• inference.py
  • helper код за декодиране на audio token-ите обратно до WAV
• config_loader.py
  • loader за локалните YAML конфигурации
• config/model_config.yaml
  • token и codec конфигурация
• config/inference_config.yaml
  • базови inference настройки
• config/full_finetune_refaudio_1536_allhours.yaml
  • тренировъчната рецепта, използвана за този модел
• full_finetune.py, build_cache.py
  • копия на training скриптовете за справка и повторяемост

Изисквания

Моделът е тестван в среда с PyTorch, Transformers, NeMo AudioCodec, SciPy и SoundFile.

Ако искаш отделна среда:

python -m venv venv
source venv/bin/activate
pip install -r requirements.txt

Бърз старт

От директорията на пакета:

python inference_refaudio.py \
  --ref /path/to/reference.wav \
  --text "Рано сутрин градът е тих, а гласът трябва да звучи спокойно, ясно и естествено." \
  --output demo_refaudio.wav

Демо

Към model repo-то е добавена и по-дълга демонстрация на възможностите на модела:

• demos/Igrite_na_Vor_AudioScript_radio_play.wav

Това е озвучена радио пиеса, синтезирана с многоговорителен ref-audio pipeline и отделни reference WAV файлове за ролите.

Полезни аргументи

• --ref
  • път до референтен WAV файл
• --text
  • българският текст за синтез
• --output
  • къде да се запише резултатът
• --ref-seconds
  • колко секунди да се вземат от началото на референтния WAV, по подразбиране 5.0
• --temperature
  • sampling temperature, по подразбиране 0.5
• --top-p
  • nucleus sampling, по подразбиране 0.95
• --repetition-penalty
  • наказание за повторения, по подразбиране 1.1
• --max-new-tokens
  • максимален брой генерирани токени, по подразбиране 1400

Как работи conditioning-ът

Моделът очаква:

1. start_of_human
2. start_of_speech + reference audio tokens + end_of_speech
3. текстовия prompt
4. end_of_human

След това моделът генерира:

1. start_of_ai
2. start_of_speech
3. audio token-ите за целевия отговор
4. end_of_speech

inference_refaudio.py прави това автоматично.

Бележки

• Референтният WAV може да е с друг sample rate; скриптът го ресемплира до 22050 Hz.
• Ако WAV файлът е stereo, автоматично се смесва до mono.
• За най-стабилни резултати използвай чист референтен сегмент с един говорител.
• В пакета е сложен inference-ready модел. Не са копирани optimizer и scheduler файловете, защото за inference не трябват.

Източник на модела

• Hugging Face repo: beleata74/kani-tts-400m-bg-voice-clone-ref5s
• База: nineninesix/kani-tts-400m-0.3-pt
• Финален пакетен модел: checkpoint-30000
• Conditioning: reference_audio
• Контекст: 1536
• Референтен audio prompt: 5s

vLLM сървър

Aдаптираният FastAPI/vLLM server код за този модел е публикуван отделно като downloadable repo и по подразбиране очаква точно този model repo:

• beleata74/kani-tts-bg-refaudio-server-code