Indicf5

🚀 IndicF5: インド諸言語向けの高品質テキスト・トゥ・スピーチ

私たちは、IndicF5 という、Rasa、IndicTTS、LIMMITS、および IndicVoices-R からの1417時間の高品質音声データで学習された、ほぼ人間並みの多言語対応なテキスト・トゥ・スピーチ（TTS） モデルを公開します。

IndicF5は、11種類のインドの言語をサポートしています。 アッサム語、ベンガル語、グジャラート語、ヒンディー語、カンナダ語、マラヤーラム語、マラーティー語、オリヤー語、パンジャーブ語、タミル語、テルグ語

🚀 クイックスタート

📦 インストール

conda create -n indicf5 python=3.10 -y
conda activate indicf5
pip install git+https://github.com/ai4bharat/IndicF5.git

💻 使用例

音声を生成するには、3つの入力が必要です。

1. 合成するテキスト – モデルに読み上げてほしい内容。
2. 参照プロンプト音声 – モデルの抑揚や話者の特徴をガイドする音声クリップの例。
3. 参照プロンプト音声で話されたテキスト – 参照プロンプト音声の文字起こし。

基本的な使用法

from transformers import AutoModel
import numpy as np
import soundfile as sf

# Load IndicF5 from Hugging Face
repo_id = "ai4bharat/IndicF5"
model = AutoModel.from_pretrained(repo_id, trust_remote_code=True)

# Generate speech
audio = model(
    "नमस्ते! संगीत की तरह जीवन भी खूबसूरत होता है, बस इसे सही ताल में जीना आना चाहिए.",
    ref_audio_path="prompts/PAN_F_HAPPY_00001.wav",
    ref_text="ਭਹੰਪੀ ਵਿੱਚ ਸਮਾਰਕਾਂ ਦੇ ਭਵਨ ਨਿਰਮਾਣ ਕਲਾ ਦੇ ਵੇਰਵੇ ਗੁੰਝਲਦਾਰ ਅਤੇ ਹੈਰਾਨ ਕਰਨ ਵਾਲੇ ਹਨ, ਜੋ ਮੈਨੂੰ ਖੁਸ਼ ਕਰਦੇ  ਹਨ।"
)

# Normalize and save output
if audio.dtype == np.int16:
    audio = audio.astype(np.float32) / 32768.0
sf.write("namaste.wav", np.array(audio, dtype=np.float32), samplerate=24000)
print("Audio saved succesfully.")

参照プロンプト音声の例は、こちらで見ることができます。

📄 利用規約

このモデルを使用することで、明示的な許可を得た音声のみをクローンすることに同意するものとします。無許可の音声クローンは厳禁です。このモデルの誤用に関する責任はユーザーにあります。

📚 参考文献

私たちは、F5-TTS の著者たちに対し、この研究への貴重な貢献とインスピレーションに感謝の意を表します。彼らの努力は、テキスト・トゥ・スピーチ合成の分野を前進させる上で重要な役割を果たしています。

📖 引用

もしあなたの研究やプロジェクトで IndicF5 を使用した場合、以下のように引用することを検討してください。

🔹 BibTeX

@misc{AI4Bharat_IndicF5_2025,
  author       = {Praveen S V and Srija Anand and Soma Siddhartha and Mitesh M. Khapra},
  title        = {IndicF5: High-Quality Text-to-Speech for Indian Languages},
  year         = {2025},
  url          = {https://github.com/AI4Bharat/IndicF5},
}