Not: Bu model orijinal olarak canberkkkkkk tarafından geliştirilmiş olup, VeriPazarı tarafından Türk yapay zeka topluluğuna katkı sağlamak amacıyla dokümantasyonu Türkçeye çevrilerek arşivlenmiştir.

🔗 Orijinal Kaynak: canberkkkkkk/ema-lightning 🔗 Derleyen Platform: VeriPazarı

EMA Lightning

⚡ EMA Lightning

Küçük, hızlı ve doğru Türkçe metinden sese dönüştürme. 5,6 milyon parametreli bir DiT akustik modeli ve 3 milyon parametreli bir vokoder: toplamda 8,6 milyon parametre ve yaklaşık 34 MB boyutunda. Apache 2.0 lisanslıdır.

  • Freya-TR-Eval üzerinde en yüksek doğruluk: %0,92 WER (Kelime Hata Oranı) ile ElevenLabs v4, Gemini 3.8 ve 2,38 milyar parametreli Trendyol-TTS dahil olmak üzere ölçülen tüm sistemler arasında en düşük hata oranına sahiptir.

  • Hızlı: RTX 4090 üzerinde 3,86 ms'de ilk ses çıktısı ve gerçek zamanlıdan 440 kat daha hızlı; toplu işlem (batching) ile 1.316 kat daha hızlı.

  • Akış (Streaming): Metnin geri kalanı henüz oluşturulurken ses çalmaya başlar.

  • Ekonomik: Kiralanmış bir RTX 4090 üzerinde milyon karakter başına yaklaşık 0,0085 $.

  • Her yerde çalışır: GPU veya CPU üzerinde, tamamen çevrimdışı. API anahtarı gerektirmez; hiçbir metin veya ses verisi makineden dışarı çıkmaz.

  • Tek model, çoklu kullanıcı: İstediğiniz kadar iş parçacığından (thread) çağırabilirsiniz; zamanlayıcısı olan Playhead, herkesin işini GPU üzerinde birlikte yürütür.

  • Kod: GitHub üzerinde EMA Lightning

  • Paket: pip install ema-lightning

  • Metin önişleme: normalizer-tr, Erdem Tuna tarafından.

EMA Lightning mimarisi

Şekil 1. Metin harf bazında kodlanır, bir süre tahmincisi (duration predictor) tarafından kelime-harf zaman çizelgesine yerleştirilir, pencereli bir hizalayıcı tarafından kare başına bir koşula dönüştürülür, bir DiT tarafından dört adımda gizli değişkenler (latents) olarak üretilir ve 48 kHz sese çözümlenir. Detaylar Mimari bölümündedir.

Dinle

Aşağıdaki her klip, seed 0 kullanılarak ve gösterilen metinden doğrudan say() fonksiyonu ile oluşturulmuştur.

Model sadece 8.6 milyon parametre ve çok hızlı.

15 Ekim 2026 Çarşamba günü saat 14:30'da, 1.250.000 TL tutarındaki ödemeniz hesabınıza yatırılacak.

Sabahın erken saatlerinde liman henüz uyanmamıştı. Balıkçılar ağlarını sessizce topluyor, martılar ise teknelerin etrafında dönerek şanslarını deniyordu.

Hızlı Başlangıç

pip install ema-lightning

Bir EMA nesnesi oluşturun ve tüm program boyunca bunu kullanın. Sesi elde etmenin iki yolu vardır:

say() stream()
Çıktı Hazır olduğunda tüm ses Üretildikçe parça parça ses
Girdi Bir metin veya metin listesi Çağrı başına bir metin
Kullanım alanı Dosyalar, seslendirmeler, toplu işler Canlı oynatma: hoparlörler, telefon görüşmeleri, canlı uygulamalar

say(): hazır olduğunda tüm metni döndürür

from ema_lightning import EMA

tts = EMA()                                     # ema.pt ve decoder.pt dosyalarını indirir, varsa GPU kullanır
speech = tts.say("Merhaba, size nasıl yardımcı olabilirim?", path="merhaba.wav")
print(speech.duration, speech.sample_rate)      # sesin saniye cinsinden süresi, 48000

say() bir Speech nesnesi döndürür: audio (float32 NumPy dizisi, mono, -1 ile 1 arasında), sample_rate, saniye cinsinden duration ve onu oluşturan seed. path parametresi ile bir WAV dosyası da yazar. Bir liste verildiğinde, paylaşılan gruplar halinde her metin için bir Speech nesnesi sırayla oluşturulur; path belirtilirse klipler klasöre 0.wav, 1.wav, ... şeklinde kaydedilir:

speeches = tts.say(["Günaydın.", "Siparişiniz yola çıktı.", "İyi günler dileriz."], path="clips")

stream(): üretilirken dinleyin

import sounddevice as sd                        # pip install sounddevice

with sd.OutputStream(samplerate=48000, channels=1, dtype="float32") as speaker:
    for chunk in tts.stream("Merhaba! Bu ses siz dinlerken üretiliyor. İlk kelimeyi duyduğunuzda, "
                            "cümlenin geri kalanı çoktan hazır."):
        speaker.write(chunk)

İlk parça bir saniyelik sestir ve GPU üzerinde yaklaşık 4 ms'de hazır olur. Geri kalanı her seferinde dört saniyelik parçalar halinde gelir; oynatma hızından çok daha hızlı olduğu için oynatma asla beklemez. Döngüden erken çıkarsanız, metnin geri kalanının işlenmesi durdurulur. Parçalar birleştirildiğinde say() ile verilen sesin aynısı elde edilir.

stream() çağrı başına bir metin alır. Birçok metni aynı anda yayınlamak için her birini kendi iş parçacığından (thread) bir kez çağırın. Tüm çağrılar modeli paylaşır ve Playhead bunları GPU üzerinde birlikte çalıştırır:

from concurrent.futures import ThreadPoolExecutor

texts = ["Merhaba, size nasıl yardımcı olabilirim?", "Siparişiniz yola çıktı.", "Randevunuz onaylandı, görüşmek üzere."]


def stream_one(text):
    chunks = []
    for chunk in tts.stream(text):
        chunks.append(chunk)                    # gerçek bir uygulamada: hemen çağırana gönderin
    return chunks


with ThreadPoolExecutor(max_workers=len(texts)) as pool:
    results = list(pool.map(stream_one, texts))  # her metin için bir parça listesi, aynı sırada

.lightning(): NVIDIA GPU'larda hızlı yol

tts = EMA().lightning()

Başlangıçta bir kez çağırın. GPU'nuz için en iyi grup boyutunu (batch size) ölçer (bir kez, sonra önbelleğe alınır), modeli derler, CUDA grafiklerini kaydeder, bunları standart yolla karşılaştırır ve ilk ses süresiyle birlikte hazır olduğunda bildirir. Bu olmadan veya CPU üzerinde her şey aynı şekilde çalışır, sadece daha yavaştır.

Seçenek Değerler Varsayılan
speed 0.25 ile 4 arası 1.0
seed negatif olmayan tam sayı; aynı seed aynı sesi üretir rastgele (speech.seed içinde döner)
sample_rate 48000, 24000, 16000, 8000 48000
path sadece say() için: tek metin için .wav dosyası, liste için klasör yok

Her türlü metin kabul edilir ve metin işleme asla hata vermez. Geçersiz ayarlar, herhangi bir işlem başlamadan önce ValueError hatası döndürür.

Tek model, çoklu kullanıcı

Playhead: çağrılar, iki kuyruk ve GPU, döngünün bir turu

Her say() ve stream() çağrısı, EMA içindeki bir zamanlayıcı olan Playhead'den geçer. Bir seferde tek bir cümle üreten bir GPU çoğunlukla boştadır; bu nedenle Playhead, her kullanıcının o anda ihtiyaç duyduğu şeyi toplar ve birlikte çalıştırır. İki adet "ilk gelen ilk hizmet alır" (FIFO) kuyruğu tutar: model için bekleyen cümleler ve kod çözücü (decoder) için bekleyen ses pencereleri. Her turda, her birinin önünden bir gruba kadar alır, GPU'da tek geçişte üretir ve her pencereyi sırayla talep eden çağrıya geri verir. Kimsenin cümlesi atlanmaz, bağlantıyı kesen bir kullanıcı kuyruktan çıkar ve başarısız olan bir grup sadece kendi kullanıcılarını etkiler.

Bir RTX PRO 6000 üzerinde, aynı anda başlatılan 64 akış, 0,74 saniyede 887 saniyelik ses üretti ve her biri tek başına söylenen metniyle eşleşti.

Kıyaslamalar (Benchmarks)

Freya-TR-Eval, 495 cümlenin tamamı, hız 1.0:

# Sistem Parametre Boyut (EMA'ya göre) WER % CER % RTF × gerçek zaman x gerçek zaman (batch 64) GPU belleği
1 EMA Lightning (derlenmiş) 5.6M DiT + 3M decoder 1× 0.92 ± 0.13 0.18 0.0023 440× 1,316× —
1 EMA Lightning (standart PyTorch) 5.6M DiT + 3M decoder 1× 0.92 ± 0.13 0.18 0.0115 87× 952× 0.28 GB; 1.39 GB (batch 64)
2 Trendyol-TTS 2.38B 277× 0.98 ± 0.15 0.19 ± 0.03 0.360 2.8× — —
3 Gemini 3.8 Flash-Lite — — 1.31 ± 0.13 0.28 ± 0.02 — — — —
4 Gemini 3.8 Flash — — 1.35 ± 0.23 0.28 ± 0.06 — — — —
5 ElevenLabs v4 — — 1.43 ± 0.12 0.27 ± 0.03 — — — —
6 ElevenLabs v4 Turbo — — 1.54 ± 0.22 0.29 ± 0.04 — — — —
7 Anka TTS † 336M 39× 1.73 ± 0.05 0.41 ± 0.05 0.160 6.3× — —
8 Chatterbox MTL † 500M 58× 1.84 ± 0.20 0.41 ± 0.08 0.379 2.6× — —
9 Piper (tr, dfki) † 16M 1.9× 3.22 0.71 0.065 15× — —
10 XTTS-v2 (base) † 470M 55× 3.34 ± 0.38 1.33 ± 0.20 0.140 7.1× — —
11 MMS-TTS (tr) † 36M 4.2× 6.41 1.52 0.015 67× — —
12 Antalia 1 ‡ 305M 35× 6.88 ± 0.34 2.72 ± 0.21 0.328 3.0× — —
13 Coqui GlowTTS (tr) † 28M 3.3× 10.75 2.92 0.016 63× — —
14 FreyaTTS † 183M 21× 12.02 4.95 0.119 8.4× — —
15 F5 base (Türkçe değil) † 336M 39× 77.84 ± 0.13 32.58 ± 0.54 0.146 6.8× — —
  • Bizim testlerimiz († işareti olmayan her satır): 495 cümlenin tamamı, 3 seed veya deneme, ham metin girişi, 8 kHz bant, beam 5 ile Whisper large-v3 ve Freya'nın metin normalizasyonu. ElevenLabs, varsayılan ayarlarıyla varsayılan sesini (George) kullanır. Gemini, Kore sesini kullanır.
  • † işareti, Anka TTS model kartında bildirilen sayıları belirtir.
  • Tüm RTF değerleri RTX 4090 üzerinde ölçülmüştür. Toplam üretim süresinin toplam ses uzunluğuna bölünmesiyle hesaplanmıştır; ısınma sonrası üç geçiş yapılmış ve orta değer raporlanmıştır. Bulut API'lerinin RTF veya parametre sayısı yoktur.
  • "±" üç seed arasındaki dağılımı gösterir. EMA Lightning'in dağılımı en düşük, en yüksek ve ortalama sonucundan gelir (%0,79 ila %1,05); CER değerinin dağılımı yoktur.
  • ‡ "Antalia 1", Sezgin Saygili, Emre Kaplaner, Oncel Ozgul ve Fikri San Koktas (Patientdesk.ai): huggingface.co/cloud0day3/antalia-1. Üç denemesi kendi kodu içinde başarısız olmuş ve sessizlik olarak sayılmıştır.

Hız ve maliyet

Hepsi .lightning() ile RTX 4090 üzerinde:

Tek istek 440× gerçek zaman (RTF 0.0023)
İlk ses, tipik 3,86 ms, ham metinden, normalizasyon dahil
64'lü grup 1.316× gerçek zaman; standart PyTorch 952×
6 saat 7 dakikalık sesli kitap, gruplanmış yaklaşık 17 saniye
0,74 $/saat maliyetle milyon karakter başına yaklaşık 0,0085 $ (saniyede 24.091 karakter)
CPU yaklaşık 6× gerçek zaman (RTF 0.166, bulut konteyner CPU üzerinde ölçülmüştür)

Mimari

Şekil 1 (bu kartın üstü). (a) Genel bakış. Normalleştirilmiş Türkçe metin harf bazında kodlanır; bir süre tahmincisi ve kelime-harf zaman çizelgesi her çıktı karesini bir kelimeye ve içindeki bir konuma yerleştirir; pencereli bir hizalayıcı kare başına bir koşul oluşturur; bir gizli değişken üreticisi 25 Hz'de 64 boyutlu değişkenleri dört adımda üretir; bir kod çözücü bunları ×1920 oranında 48 kHz sese yükseltir. (b) Pencereli Gauss hizalayıcı. Her kare sadece kendi kelimesinin ve komşu kelimelerin harflerine, konumunun etrafındaki bir Gauss sapmasıyla odaklanır. (c) Paylaşımlı zaman adımı modülasyonlu DiT bloğu. Bir doğrusal katman, zaman adımı gömmesini (embedding) tüm modülasyon parametrelerine eşler; altı bloğun her biri öğrenilmiş bir ofset ekler.

Bölüm Dosya Parametreler
Akustik model: metin kodlayıcı, süreler, pencereli hizalayıcı ve DiT gizli değişken üreticisi ema.pt 5.6M
Vokoder: gizli değişkenlerden 48 kHz sese HiFi-GAN tarzı kod çözücü decoder.pt 3.0M
Toplam 8.6M

Akustik model, kısmen paylaşımlı modülasyon sayesinde 5,6M parametrede kalır (Şekil 1c, aşağıda): tek bir projeksiyon tüm altı DiT bloğuna hizmet eder, bu da modülasyon parametrelerini 1,81M'den 0,31M'ye düşürür.

Metin kodlayıcı. Girdi metni normalizer-tr ile konuşma formundaki Türkçeye normalleştirilir ve küçük harfe çevrilir. Harfler d = 224 boyutunda gömülür ve dört ConvNeXt bloğu ile ardından RoPE içeren iki öz-dikkat (self-attention) bloğu tarafından kodlanarak h ∈ ℝL×d elde edilir.

Kelime-harf zaman çizelgesi. Evrişimli bir süre tahmincisi, her harf ℓ için kare sayısını d̂ℓ tahmin eder. Süreler kelimelere göre gruplanır: her kelime harflerinin karelerini alır ve her harf, kelimesi wℓ içinde bir konum πℓ ∈ [0, 1] alır. Her çıktı karesi f de benzer şekilde bir kelimeye wf ve bir konuma πf atanır. Süre modeli, harici hizalamalar olmadan eğitilir.

Pencereli Gauss hizalayıcı (Şekil 1b). p = w + π ile, kare f, harf ℓ'ye şu şekilde odaklanır:

αfℓ=softmax⁡ℓ(τ qf⊤kℓd−β (pf−pℓ)22σ2),∣wf−wℓ∣≤1,(1) \alpha_{f\ell} = \operatorname{softmax}_{\ell}\left( \tau \, \frac{\mathbf{q}_f^{\top} \mathbf{k}_\ell}{\sqrt{d}} - \beta \, \frac{(p_f - p_\ell)^2}{2\sigma^2} \right), \qquad |w_f - w_\ell| \le 1, \tag{1}

cf=Wo∑ℓαfℓ vℓ,(2) \mathbf{c}_f = \mathbf{W}_o \sum_{\ell} \alpha_{f\ell} \, \mathbf{v}_\ell, \tag{2}

burada qf ve kℓ, pf ve pℓ konumlarında RoPE ile döndürülür; τ, β ve σ her başlık (head) için öğrenilir. Pencere dışındaki harfler maskelenir. Koşullar c ∈ ℝT×d her ifade için bir kez hesaplanır.

Paylaşımlı modülasyonlu gizli değişken üreticisi (Şekil 1c). Altı DiT bloğu (8 başlık, kareler üzerinde RoPE, SwiGLU feed-forward), gizli değişkenler z ∈ ℝT×64 üzerinde bir akış eşleştirme hızı (flow-matching velocity) tahmin eder. Blok başına bir uyarlanabilir norm projeksiyonu yerine, tek bir W projeksiyonu tüm bloklar tarafından paylaşılır:

[γ1,β1,α1,γ2,β2,α2]k=W SiLU⁡(e(t))+δk,(3) [\boldsymbol{\gamma}_1, \boldsymbol{\beta}_1, \boldsymbol{\alpha}_1, \boldsymbol{\gamma}_2, \boldsymbol{\beta}_2, \boldsymbol{\alpha}_2]_k = \mathbf{W} \, \operatorname{SiLU}(\mathbf{e}(t)) + \boldsymbol{\delta}_k, \tag{3}

Mod⁡(x)=LN⁡(x)⊙(1+γ)+β,(4) \operatorname{Mod}(\mathbf{x}) = \operatorname{LN}(\mathbf{x}) \odot (1 + \boldsymbol{\gamma}) + \boldsymbol{\beta}, \tag{4}

blok başına öğrenilmiş bir δk ∈ ℝ6×d ofseti ile. Bu, modülasyon parametrelerini 1,81M'den 0,31M'ye düşürür.

Örnekleme: dört adım, DMD2 ile damıtılmış. Gizli değişken üreticisi ilk olarak sıradan bir akış eşleştirme modeli olarak eğitildi. Bu öğretmen model aynı mimariye ve aynı 5,6M parametreye sahiptir ve 16 orta nokta adımıyla örnekleme yapar: cümle başına 32 ağ geçişi. Dağıtılan üretici, DMD2 (Yin et al., 2024) ile ondan damıtılmış bir öğrencidir ve t ∈ {0, ¼, ½, ¾} değerlerinde dört adıma ihtiyaç duyar. Her adım temiz gizli değişkenleri tahmin eder:

z^1=zt+(1−t) vθ(zt,t,c),(5) \hat{\mathbf{z}}_1 = \mathbf{z}_t + (1 - t)\, v_\theta(\mathbf{z}_t, t, \mathbf{c}), \tag{5}

Kod çözücü. (8, 6, 5, 2, 2, 2) yükseltme faktörlerine sahip HiFi-GAN tarzı bir üretici, 25 Hz gizli değişkenleri 48 kHz sese eşler. Gizli değişkenler, her iki tarafta 8 kare bağlam ile 4 saniyelik pencerelerde çözümlenir, böylece birleştirilmiş çıktı, tüm ifadeyi bir kerede çözümlemekle aynıdır; bir akışın ilk penceresi 1 saniyedir, bu nedenle ilk ses erken gelir.

Çıkarım. .lightning(), cuDNN benchmark modunu etkinleştirir, modeli herhangi bir grup boyutu için bir kez derler ve 1, 2, 4 grup boyutlarında ve ölçülen grup boyutuna kadar 8'in her katında, 32, 64, 128 ve 256 harf ile 40, 80, 160 ve 320 kare uzunluk grupları ve 48 ve 120 karelik kod çözücü pencereleri için CUDA grafiklerini kaydeder. Her grup sadece en yakın kaydedilmiş boyuta doldurulur. Derlenmiş yol, başlangıçta standart yolla doğrulanır.

Dosyalar

Dosya Açıklama
ema.pt akustik model: metin kodlayıcı, süreler, hizalayıcı, gizli değişken üreticisi (5.6M)
decoder.pt kod çözücü, gizli değişkenlerden 48 kHz sese (3M)
assets/architecture.png mimari şeması
assets/playhead.png Playhead şeması
samples/ Dinle bölümündeki örnek klipler, say() ile seed 0 kullanılarak yapılmıştır

Eğitim verisi

Tamamı sentetik, VoxCPM2 (OpenBMB, Apache 2.0) ile üretilmiş, yaklaşık 1.000 saatlik tek konuşmacılı Türkçe konuşma içeren dahili bir külliyat. Ses gerçek bir kişiye ait değildir: VoxCPM2'de kısa bir metin açıklamasından tasarlanmıştır, referans olarak herhangi birinin kaydı kullanılmamıştır.

Sınırlamalar

  • Tek ses. Ses klonlama ve duygu kontrolü yoktur.
  • Sadece Türkçe. Yabancı kelimeler Türkçe yazım kurallarına göre okunur.
  • Doğallık iyi, ancak en iyisi değil. Freya-TR-Eval üzerinde UTMOS yaklaşık 3,30'dur: ElevenLabs v4 (3,30) ile aynı seviyede, Gemini 3,8 (3,52 - 3,61) ve Trendyol-TTS'nin (3,83) altındadır.
  • WER, Whisper tarafından ölçülmüştür, bu nedenle sayılan hataların bazıları tanıma sistemine aittir.

Sorumlu kullanım

EMA Lightning sentetik ses üretir ve bunu duyan kişiler bunun farkında olmalıdır. Dinleyicilere yapay zeka tarafından üretilmiş bir ses duyduklarını bildirin (örneğin bir aramanın başında "Bu görüşmede yapay zekâ ile üretilmiş bir ses kullanılmaktadır.") ve yayınladığınız sesi aynı şekilde etiketleyin ("Bu ses yapay zekâ ile üretilmiştir."); AB Yapay Zeka Yasası dahil olmak üzere birçok yerdeki yasalar bu açıklamayı zorunlu kılar. Gerçek bir kişinin sesi olarak sunmayın, dolandırıcılık veya taklit için kullanmayın veya gerçek bir kişinin söylemediği şeyleri söyletmeyin. Sayılar, tarihler ve kısaltmalar otomatik metin normalizasyonu ile okunur; bu, alışılmadık girdileri yanlış okuyabilir. Bu nedenle bankacılık, sağlık, hukuk veya acil durum mesajları için metni ve sesi bir insanın kontrol etmesini sağlayın.

Yasal Uyarı

EMA Lightning, Apache License 2.0 kapsamında, herhangi bir garanti olmaksızın "olduğu gibi" sağlanır. Yazarlar, kullanımından veya kullanımından kaynaklanan herhangi bir zarardan sorumlu değildir. Dağıtan kişi, kullanıldığı yerde geçerli olan açıklama ve onay kuralları dahil olmak üzere, yasalara uygun kullanımdan sorumludur. Bu bölüm yasal tavsiye değildir.

Lisans

Ağırlıklar ve kod için Apache 2.0. Ticari kullanım dahildir.

Teşekkür

EMA Lightning'in arkasındaki Türkçe metin normalleştiricisi normalizer-tr'yi inşa eden Erdem Tuna'ya özel teşekkürler. Yüksek sesle okunan her sayı, tarih, miktar ve sembol onun çalışmasından geçer.

Freya-TR-Eval kıyaslaması için Freya'ya ve † ile işaretlenmiş yayınlanmış temel modeller için Anka TTS yazarlarına teşekkürler.

Atıf

@misc{aslan2026emalightning,
  title        = {EMA Lightning: Tiny, Fast and Accurate Turkish Text to Speech},
  author       = {Aslan, Canberk},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/canberkkkkkk/ema-lightning}}
}

Bu dosya veripazari.com.tr topluluğu tarafından Hugging Face altyapısında barındırılmaktadır. Orijinal emeğe saygı gereği lisans, metadata ve kaynak referansları korunmuştur.

Downloads last month
34
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Paper for veripazari/ema-lightning