Graves
- 9 Eki 2024
- 10,869 Mesaj
- TIM Görevleri
- 2
EMA Lightning – Türkçe İçin Geliştirilmiş, 8,6 Milyon Parametreli Offline TTS Modeli
Hugging Face üzerinde yayınlanan EMA Lightning, tamamen Türkçe odaklı olarak geliştirilen oldukça küçük ve hızlı bir Text-to-Speech (TTS) modeli. Düşük donanım gereksinimi ve tamamen yerel çalışabilmesi, modeli özellikle kendi sisteminde Türkçe ses üretmek isteyenler için dikkat çekici hale getiriyor.
Model yalnızca 8,6 milyon parametre içeriyor. Bunun yaklaşık 5,6 milyonu akustik modelde, 3 milyona yakını ise vocoder/decoder bölümünde bulunuyor. Toplam model ağırlığı ise yaklaşık 34 MB.
Model Apache 2.0 lisansı ile yayınlandığından ticari projelerde de kullanılabiliyor. Ayrıca herhangi bir harici API gerektirmiyor; CPU veya GPU üzerinde tamamen offline şekilde çalışabiliyor. Üretilen ses ya da gönderilen metin dışarıdaki bir servise aktarılmak zorunda değil.
Öne Çıkan Özellikler
• Parametre sayısı: 8,6 milyon
• Model boyutu: Yaklaşık 34 MB
• Dil: Türkçe
• Ses çıktısı: 48 kHz'e kadar mono
• Çalışma: CPU / GPU
• Çalışma şekli: Tamamen offline
• Lisans: Apache 2.0
• Streaming: Var
• Batch üretim: Var
• Çoklu kullanıcı: Var
• Voice Cloning: Yok
• Emotion kontrolü: Yok
• Ses seçeneği: Tek ses
Türkçe Metin Normalizasyonu
EMA Lightning, Türkçe metinlerin konuşmaya uygun hale getirilmesi için normalizer-tr kullanıyor. Bu sayede yalnızca düz metinleri değil; tarih, saat, para miktarı, sayılar, kısaltmalar ve çeşitli sembolleri de konuşma formatına dönüştürebiliyor.
Hız Testleri
Geliştiricinin RTX 4090 üzerinde paylaştığı sonuçlar oldukça dikkat çekici:
• Tek istek: Yaklaşık 440× gerçek zaman
• Batch 64: Yaklaşık 1.316× gerçek zaman
• İlk ses parçası: Yaklaşık 3,86 ms
• 6 saat 7 dakikalık ses: Batch üretimde yaklaşık 17 saniye
• CPU: Yaklaşık 6× gerçek zaman
• Plain PyTorch: RTX 4090 üzerinde yaklaşık 87× gerçek zaman
Kendi Testim
Yaklaşık 1200–1500 karakterlik bir metin ile test gerçekleştirdim. Ortaya yaklaşık 9 dakikalık bir ses dosyası çıktı ve bu sesin oluşturulması yaklaşık 2 dakika sürdü.
Donanım ve kullanım senaryosuna göre sonuçlar değişebilir ancak modelin boyutuna kıyasla sunduğu hız oldukça başarılı görünüyor.
Kaynaklar
Hugging Face:
GitHub:
Özetle: Türkçe TTS tarafında sadece 34 MB civarında bir modelle, API veya bulut servisine ihtiyaç duymadan yerel ses üretimi yapılabilmesi EMA Lightning'i özellikle hafif ve hızlı TTS çözümleri arayanlar için ilginç bir proje haline getiriyor.
Hugging Face üzerinde yayınlanan EMA Lightning, tamamen Türkçe odaklı olarak geliştirilen oldukça küçük ve hızlı bir Text-to-Speech (TTS) modeli. Düşük donanım gereksinimi ve tamamen yerel çalışabilmesi, modeli özellikle kendi sisteminde Türkçe ses üretmek isteyenler için dikkat çekici hale getiriyor.
Model yalnızca 8,6 milyon parametre içeriyor. Bunun yaklaşık 5,6 milyonu akustik modelde, 3 milyona yakını ise vocoder/decoder bölümünde bulunuyor. Toplam model ağırlığı ise yaklaşık 34 MB.
Model Apache 2.0 lisansı ile yayınlandığından ticari projelerde de kullanılabiliyor. Ayrıca herhangi bir harici API gerektirmiyor; CPU veya GPU üzerinde tamamen offline şekilde çalışabiliyor. Üretilen ses ya da gönderilen metin dışarıdaki bir servise aktarılmak zorunda değil.
Öne Çıkan Özellikler
• Parametre sayısı: 8,6 milyon
• Model boyutu: Yaklaşık 34 MB
• Dil: Türkçe
• Ses çıktısı: 48 kHz'e kadar mono
• Çalışma: CPU / GPU
• Çalışma şekli: Tamamen offline
• Lisans: Apache 2.0
• Streaming: Var
• Batch üretim: Var
• Çoklu kullanıcı: Var
• Voice Cloning: Yok
• Emotion kontrolü: Yok
• Ses seçeneği: Tek ses
Türkçe Metin Normalizasyonu
EMA Lightning, Türkçe metinlerin konuşmaya uygun hale getirilmesi için normalizer-tr kullanıyor. Bu sayede yalnızca düz metinleri değil; tarih, saat, para miktarı, sayılar, kısaltmalar ve çeşitli sembolleri de konuşma formatına dönüştürebiliyor.
Hız Testleri
Geliştiricinin RTX 4090 üzerinde paylaştığı sonuçlar oldukça dikkat çekici:
• Tek istek: Yaklaşık 440× gerçek zaman
• Batch 64: Yaklaşık 1.316× gerçek zaman
• İlk ses parçası: Yaklaşık 3,86 ms
• 6 saat 7 dakikalık ses: Batch üretimde yaklaşık 17 saniye
• CPU: Yaklaşık 6× gerçek zaman
• Plain PyTorch: RTX 4090 üzerinde yaklaşık 87× gerçek zaman
Kendi Testim
Yaklaşık 1200–1500 karakterlik bir metin ile test gerçekleştirdim. Ortaya yaklaşık 9 dakikalık bir ses dosyası çıktı ve bu sesin oluşturulması yaklaşık 2 dakika sürdü.
Donanım ve kullanım senaryosuna göre sonuçlar değişebilir ancak modelin boyutuna kıyasla sunduğu hız oldukça başarılı görünüyor.
Kaynaklar
Hugging Face:
İçeriği görüntülemek için Giriş yapın veya Kayıt olun.
GitHub:
İçeriği görüntülemek için Giriş yapın veya Kayıt olun.
Özetle: Türkçe TTS tarafında sadece 34 MB civarında bir modelle, API veya bulut servisine ihtiyaç duymadan yerel ses üretimi yapılabilmesi EMA Lightning'i özellikle hafif ve hızlı TTS çözümleri arayanlar için ilginç bir proje haline getiriyor.
