VIZINTZOR/F5-TTS-THAI

F5-TTS-ไทย

โมเดลหลัก : SWivid/F5-TTS

Github : https://github.com/SWivid/F5-TTS

ชุดข้อมูล	ระยะเวลา(ชั่วโมง)
Common Voice (Porameht/processed-voice-th-169k)	~160
Porjai Dataset	~300
Common Voice-EN(อังกฤษ)	~40

• ขนาดโมเดลล่าสุด

  • 900,000 Steps

• ภาษาที่รองรับ: ไทย และ อังกฤษ.

• การอ่านข้อความยาวๆ หรือบางคำ ยังไม่ถูกต้อง

  • เสียงตัวอย่างควรมีความยาว 2-8 วินาที
  • สามารถลองปรับลดความเร็วเสียงในการสร้าง เช่น 0.8 หรือ กำหนด seed ใหม่, เพื่อให้ได้เสียงที่ถูกต้อง.
  • เสียงและข้อความต้นฉบับควรเป็นภาษาไทย.
  • ถ้าเสียงต้นฉบับเป็นภาษาอื่นควรเปลี่ยนข้อความต้นฉบับเป็นคำอ่านไทย เช่น Good Morning เป็น กูดมอร์นิ่ง.
  • ถ้าเสียงต้นฉบับมีความเร็วในการอ่านมาก ควรลดความเร็ว เหลือ 0.7-0.8

การใช้งาน

Github : https://github.com/VYNCX/F5-TTS-THAI

ติดตั้ง

git clone https://github.com/VYNCX/F5-TTS-THAI.git
cd F5-TTS-THAI
pip install git+https://github.com/VYNCX/F5-TTS-THAI.git

#จำเป็นต้องติดตั้งเพื่อใช้งานได้มีประสิทธิภาพกับ GPU
pip install torch==2.3.0+cu118 torchaudio==2.3.0+cu118 --extra-index-url https://download.pytorch.org/whl/cu118

ใช้งานบน Gradio

f5-tts_webui

ฝึกอบรม และ Finetune

ใช้งานบน Google Colab Finetune หรือ

• ติดตั้ง

  cd F5-TTS-THAI
  pip install -e .

• เปิด Gradio

  f5-tts_finetune-gradio

ตัวอย่างเสียง

• เสียงต้นแบบ
  • ข้อความคำพูด : ฉันเดินทางไปเที่ยวที่จังหวัดเชียงใหม่ในช่วงฤดูหนาวเพื่อสัมผัสอากาศเย็นสบาย
• เสียงที่สร้างขึ้น
  • Seed : 4213936761049775187