You can deploy this model and start earning money today!

Pakorn2112/
Archa-TTS-0.5B-th

Name: Archa-TTS-0.5B-th
Availability: InStock

safetensors

qwen2

text-to-speech

CMKL/Porjai-Thai-voice-dataset-central

Qwen/Qwen2.5-0.5B

finetune

mit

Views

No views yet

Archa-TTS-0.5B-th

โมเดลแปลงข้อความภาษาไทยเป็นเสียงพูด (Text-to-Speech) พัฒนาบน Qwen2.5-0.5B ด้วยการ fine-tune แบบ LoRA ร่วมกับ SNAC audio codec ที่ sample rate 24kHz

พัฒนาโดย ปรกณ์ อาชาคีรี TU ACM SIGHPC Student Chapter | สนับสนุนโดย Thai SC

GitHub

https://github.com/YangNobody12/Archa-TTS-0.5B-th

Overview

โมเดลจะสร้างลำดับ audio tokens จากข้อความภาษาไทย แล้วถอดรหัสเป็นคลื่นเสียงผ่าน SNAC neural audio codec

⚠️ โมเดลนี้รองรับเฉพาะภาษาไทยเท่านั้น ⚠️ รองรับการสร้างเสียงแบบ Realtime

Model Details

รายการ	ค่า
โมเดลพื้นฐาน	Qwen/Qwen2.5-0.5B
สถาปัตยกรรม	Qwen2ForCausalLM
พารามิเตอร์	~0.5B
Audio codec	SNAC 24kHz
ความแม่นยำ	bfloat16 / float16
ขนาด Vocab	180,500
Context สูงสุด	32,768 tokens

Requirements

pip install torch transformers peft snac soundfile sounddevice noisereduce scipy numpy

Python 3.8 ขึ้นไป
แนะนำให้ใช้ GPU ที่รองรับ CUDA
สามารถรัน CPU ได้ แต่จะช้ามาก
ต้องมี LoRA adapter weights ในโฟลเดอร์:

Pakorn2112/Archa-TTS-0.5B-th

Usage

Streaming Mode (Realtime)

python

from inference import generate_audio

generate_audio(
    "สวัสดีครับ วันนี้อากาศดีมากเลยนะครับ",
    mode="streaming"
)

Full Mode

python

from inference import generate_audio

generate_audio(
    "สวัสดีครับ วันนี้อากาศดีมากเลยนะครับ",
    mode="full"
)

CLI

python inference.py

ระบบจะ

รันตัวอย่าง streaming
บันทึกไฟล์ output_realtime.wav

How It Works

ข้อความภาษาไทยถูก tokenize
เพิ่ม control tokens พิเศษ
- start_of_human
- start_of_speech
โมเดล Qwen2.5 + LoRA สร้าง audio tokens แบบ autoregressive
ถอดรหัส audio tokens ทีละ 7 ตัว (1 SNAC frame)
SNAC decoder สร้างคลื่นเสียง 24kHz
ทำ noise reduction เป็นขั้นตอนสุดท้าย

Modes

Streaming Mode

สร้างเสียงแบบ realtime
buffer ~100 frames ก่อนเริ่มเล่น
stream ทีละ ~20 frames
ใช้ context overlap เพื่อให้เสียงต่อเนื่อง

Full Mode

สร้าง tokens ทั้งหมดก่อน
ถอดรหัสและเล่นเสียงทีเดียว

Output

WAV format
Sample rate 24kHz
รองรับ resample อัตโนมัติ หาก hardware ไม่รองรับ

License

MIT License

Important Notes

⚠️ โมเดลถูกฝึกจาก third-party datasets กรุณาตรวจสอบ license ของ dataset ก่อนใช้งานเชิงพาณิชย์

⚠️ กรุณาอ้างอิง license ของ

Qwen2.5
SNAC

ก่อนนำไปใช้งาน

Author

Pakorn Archakeeree TU ACM SIGHPC Student Chapter Supported by Thai SC

Citation

bibtex

@software{archa_tts_0_5b_th,
  author = {Pakorn Archakeeree},
  title = {Archa-TTS-0.5B-th},
  year = {2026},
  url = {https://github.com/YangNobody12/Archa-TTS-0.5B-th}
}