BG-TTS-V7 — Българско Text-to-Speech с MioCodec

Open-source TTS модел за български език, базиран на Qwen3-0.6B-Base и MioCodec аудио кодек. Втора версия след mio-tts-0.6b-bg-finetuned.

Описание

BG-TTS-V7 е decoder-only езиков модел, дообучен (fine-tuned) да генерира реч от текст на български език. Моделът приема текст в ChatML формат и генерира поредица от аудио токени, които след това се декодират до реч чрез MioCodec.

Проектът е базиран на Aratako/MioTTS-0.6B — японски TTS модел, чийто подход адаптирахме за български език.

Оригинален модел

Базиран на Qwen/Qwen3-0.6B-Base — pre-trained езиков модел от Alibaba с 608M параметри. Оригиналният Qwen3 tokenizer е разширен с 12,800 специални speech токени (<|s_0|> до <|s_12799|>), съответстващи на кодбука на MioCodec.

Какво направихме

1. Взехме Qwen3-0.6B-Base с оригиналните pre-trained тегла (разбиране на текст на 100+ езика, включително български)
2. Добавихме 12,800 speech токена в tokenizer-а и resize на embedding слоя (151,669 → 164,469 vocab)
3. Подготвихме 769 часа аудио данни — български реч, кодирана с MioCodec (25 Hz, 1 codebook, 24 kHz)
4. Fine-tune с ChatML формат: текстът е в user ролята, speech токените — в assistant ролята
5. Loss само върху speech токените — моделът учи mapping text → audio, без да разваля текстовото разбиране

Данни за обучение

Датасет	Часове	Семпли	Описание
encoded_dataset_v3	~660ч	292K	Мулти-датасет, български
encoded_dataset_v4	~49ч	52K	Чист български (4 източника)
encoded_dataset_v4_d12	~105ч	54K	Допълнителен български
Общо	~769ч	389K

Всички аудио файлове са кодирани с MioCodec-25Hz-24kHz — 25 fps, 1 codebook, 12,800 кода.

Резултати от обучението

• Training loss: 4.56 (min)
• Validation loss: 5.06 (best @ step 12000)
• Epochs: ~2 от 5 (step 12000 от 30,355)
• Effective batch size: 64 (4 × 16 gradient accumulation)
• Learning rate: 2e-4 (cosine decay, 910 warmup steps)
• Hardware: NVIDIA RTX 5090 (32GB VRAM)
• Време за обучение: ~8 часа до step 12000

Как да се ползва

Подход 1: С MioTTS-Inference (препоръчителен)

Моделът е съвместим с MioTTS-Inference — същият inference pipeline като оригиналния MioTTS.

# 1. Зареди модела с vLLM
python -m vllm.entrypoints.openai.api_server \
  --model beleata74/bg-tts-v7 \
  --dtype bfloat16 \
  --gpu-memory-utilization 0.4 \
  --max-model-len 2048 \
  --port 8000

# 2. Стартирай MioTTS сървъра
cd MioTTS-Inference
MIOTTS_CODEC_MODEL=Aratako/MioCodec-25Hz-24kHz \
MIOTTS_LLM_BASE_URL=http://localhost:8000/v1 \
python run_server.py --host 0.0.0.0 --port 8001

# 3. Стартирай Gradio UI
GRADIO_SERVER_PORT=7861 \
MIOTTS_API_BASE=http://127.0.0.1:8001 \
python run_gradio.py

Подход 2: Директно с transformers

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_name = "beleata74/bg-tts-v7"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_name, torch_dtype=torch.bfloat16, device_map="auto"
)

# ChatML формат: user = текст, assistant = speech токени
text = "Здравейте, как сте днес?"
messages = [{"role": "user", "content": text}]
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
output = model.generate(
    **inputs,
    max_new_tokens=500,
    temperature=0.7,
    top_p=0.9,
    repetition_penalty=1.1,
)

# Извлечи speech токени (offset 151669)
generated = output[0][inputs["input_ids"].shape[1]:]
speech_offset = 151669
audio_codes = [t.item() - speech_offset for t in generated 
               if speech_offset <= t.item() < speech_offset + 12800]

# Декодирай с MioCodec
# audio_codes -> numpy array -> MioCodec decode -> wav

Подход 3: Декодиране на audio кодовете до wav

import numpy as np
import torch
from miocodec import MioCodec

codec = MioCodec.from_pretrained("Aratako/MioCodec-25Hz-24kHz")

# audio_codes е списък с MioCodec индекси (0-12799)
codes_tensor = torch.tensor([audio_codes], dtype=torch.long).unsqueeze(0)  # [1, 1, T]
wav = codec.decode(codes_tensor)  # -> [1, 1, num_samples]

import soundfile as sf
sf.write("output.wav", wav[0, 0].cpu().numpy(), 24000)

Архитектура

Параметър	Стойност
Базов модел	Qwen3-0.6B-Base
Параметри	608.9M
Hidden size	1024
Attention heads	16 (8 KV heads)
Layers	28
Vocab size	164,469 (151,669 оригинални + 12,800 speech)
Max seq length	2048
Precision	bfloat16

Формат на данните

<|im_start|>user
Здравейте, как сте?<|im_end|>
<|im_start|>assistant
<|s_2559|><|s_3752|><|s_2751|>...<|s_1234|><|im_end|>

• User: Текст на български (subword tokenization от Qwen3)
• Assistant: Поредица от MioCodec токени (<|s_N|>, N ∈ [0, 12799])
• Loss: Изчислява се САМО върху assistant частта (speech + <|im_end|>)

Ограничения

• Обучен предимно на български — може да генерира и английски, но с по-ниско качество
• 769 часа данни е относително малко за TTS задача (MioTTS е обучен на 100K часа)
• Validation loss стига плато при ~5.06 — вътрешна ентропия на MioCodec кодбука
• Кратки думи (2-4 букви) понякога се грешат — alignment проблем при малко контекст
• Не поддържа voice cloning в промпта — speaker характеристиката идва от MioCodec decode

Благодарности

• Aratako/MioTTS-0.6B — оригиналният проект, чийто подход следваме
• Aratako — за MioCodec и MioTTS архитектурата
• Qwen Team — за Qwen3-0.6B-Base
• MioTTS-Inference — inference pipeline
• beleata74/mio-tts-0.6b-bg-finetuned — първата ни версия на български TTS

Лиценз

Apache 2.0 (следва лиценза на Qwen3)