میخواستم ببینم با بودجه 30 دلار میشه یه مدل TTS فارسی فاین‌تیون کرد یا نه.

آخرش رسیدم به Kokoro و با حدود 20 ساعت دیتای فارسی فاین‌تیونش کردم. نتیجه برای این مقدار دیتا خوب شد.

آوا 82 میلیون پارامتر داره، کمتر از 400 مگابایته و توی ویدئو هم سرعت اجرای اون رو میبینید

این فاین تیون داخل دو استیج انجام شد. مرحله اول 10 ساعت دیتای کلین شده از Mana TTS و مرحله دوم حدود 19 ساعت ( 10 ساعت تکرار)

استیج دوم ترینینگ با L40S انجام شد که 107 دقیقه طول کشید و 4.61 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

huggingface.co/xmanii/Ava-82M


@Linuxor ~ mirzaei_mani