README.md

metadata

datasets:
  - Porameht/processed-voice-th-169k
language:
  - th
pipeline_tag: text-to-speech
base_model:
  - SWivid/F5-TTS
license: cc-by-4.0

F5-TTS-ไทย

โมเดล Text To Speech ภาษาไทย

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

  • 1,000,000 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

ติดตั้ง

pip install f5-tts-th

#จำเป็นต้องติดตั้งเพื่อใช้งานได้มีประสิทธิภาพกับ GPU
pip install torch==2.4.0+cu124 torchaudio==2.4.0+cu124 --extra-index-url https://download.pytorch.org/whl/cu124

ใช้งาน

from f5_tts_th.tts import TTS
import soundfile as sf

tts = TTS(model="v1") 

wav = tts.infer(
    ref_audio="YOUR_AUDIO_PATH",
    ref_text="ได้รับข่าวคราวของเราที่จะหาที่มันเป็นไปที่จะจัดขึ้น.", 
    gen_text="สวัสดีครับ นี่คือเสียงพูดภาษาไทย.", 
    step=32, 
    cfg=2.0, 
    speed=1.0
)

sf.write("test.wav", wav, 24000)

ตัวอย่างเสียง

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