Modelin en dikkat çekici tarafı toplamda yalnızca 8,6 milyon parametreye sahip olması. Bunun 5,6 milyonu akustik modele, yaklaşık 3 milyonu ise vocoder/decoder kısmına ait. Model ağırlıklarının toplam boyutu yaklaşık 34 MB.
Apache 2.0 lisansı altında yayınlandığı için ticari kullanım da mümkün. Ayrıca sistem yerel olarak CPU veya GPU üzerinde çalışabiliyor; metnin veya üretilen sesin harici bir API'ye gönderilmesi gerekmiyor.
Model, Türkçe metin normalizasyonu için normalizer-tr kullanıyor. Bu nedenle tarih, saat, para miktarı, sayı, kısaltma ve çeşitli sembolleri konuşma biçimine dönüştürebiliyor.
Test olarak 1200-1500 karakter arası bir metin denedim. 9 dakikalık bu ses dosyasını 2 dakikada oluşturdu. Donanımınıza bağlı olarak bu hız çok yüksek seviyelere çıkıyor aşağıda örnek bir test sonucu yazdım.
https://huggingface.co/canberkkkkkk/ema-lightning
https://github.com/canberk7/ema-lightning
Öne çıkan özellikler
Model boyutu: 8,6 milyon parametre / yaklaşık 34 MB
Dil: Türkçe
Çıktı: 48 kHz'e kadar mono ses
Çalışma: CPU veya GPU, tamamen offline
Lisans: Apache 2.0 – ticari kullanıma uygun
Streaming: Var
Batch üretim: Var
Çoklu kullanıcı: Var
Voice cloning: Yok
Duygu/emotion kontrolü: Yok
Ses sayısı: Tek ses
Hız
RTX 4090 + .lightning() modunda geliştiricinin verdiği sonuçlar:
- Tek istek: yaklaşık 440× gerçek zaman
- Batch 64: yaklaşık 1.316× gerçek zaman
- İlk ses parçasının hazırlanması: yaklaşık 3,86 ms
- 6 saat 7 dakikalık sesin batch olarak üretilmesi: yaklaşık 17 saniye
- CPU: yaklaşık 6× gerçek zaman
