میخواستم ببینم با بودجه ۳۰ دلار میشه یه مدل TTS فارسی فاین‌تیون کرد یا نه.

آخرش رسیدم به Kokoro و با حدود ۲۰ ساعت دیتای فارسی فاین‌تیونش کردم. نتیجه برای این مقدار دیتا خوب شد.

آوا ۸۲ میلیون پارامتر داره، کمتر از ۴۰۰ مگابایته و توی ویدئو هم سرعت اجرای اون رو میبینید
این فاین تیون داخل دو استیج انجام شد. مرحله اول ۱۰ ساعت دیتای کلین شده از Mana TTS و مرحله دوم حدود ۱۹ ساعت ( ۱۰ ساعت تکرار)

استیج دوم ترینینگ با L40S انجام شد که ۱۰۷ دقیقه طول کشید و ۴.۶۱ دلار هزینه داشت.

مجموعا با smoke test و ترین اصلی چیزی حدود 30.90$ هزینه خورد

هنوز خیلی خیلی کار داره برای بهتر شدن لحن صحبت اش و برخی تلفظ هاش و این ورژن بیشتر آزمایش بود، اما به هر حال داخل hugging face به همراه راهنمای کامل اجرا گذاشتم میتونید خودتون تست کنید

لایسنس اش هم apache 2 هست مثل خود kokoro
https://huggingface.co/xmanii/Ava-82M

@DevTwitter | <Mani/>