Mithi v2 Flash

Mithi v2 Flash

用 10 种声音朗读 11 种印度语言（含英语）的文本，模型只有 199 MB，可在 GPU 或普通 CPU 上运行。适合需要小型免费语音合成的开发者。

由 Oomni 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Mithi v2 Flash 是一个小型文本转语音模型，有 10 种声音，五男五女。它能说泰米尔语、泰卢固语、卡纳达语、马拉雅拉姆语、印地语、孟加拉语、古吉拉特语、马拉地语、奥里亚语、旁遮普语和英语。模型有 99.1M 参数，大小 199 MB，输出 24 kHz 单声道音频。

适合谁：它适合需要用印度语言输出语音、又不想用大模型或 GPU 的开发者和团队。

Title: 谁可能用到它
行业 | 谁在用 | 怎么用 | 例子
客户服务 | 客服团队 | 用客户的语言朗读确认信息 | 用英语或印地语说出的预订确认
教育 | 老师和课程制作者 | 用地方语言为课程配音 | 用泰米尔语朗读的一段短课
无障碍 | 应用开发者 | 朗读屏幕上的文字 | 由某个声音读出的一篇马拉地语文章
边缘设备 | 硬件爱好者 | 在笔记本或小型开发板上运行语音 | 树莓派用 CPU 读出一句话

需要极具表现力或情绪化语音的人可以跳过，因为模型卡说它的语调和情绪比自然语音更平淡。

用在哪里：

• 命令行：run.py 接收语言、声音、文本和输出文件
• Python 代码：名为 Mithi 的类把文本变成音频
• GPU 或 CPU：有 GPU 时使用 GPU，也能在笔记本、树莓派、手机和没有 GPU 的服务器上运行
• Windows、macOS 或 Linux：需要 Python 3.10 或更新版本

Title: 它能做的事
用途 | 适合谁 | 得到什么
应用配音 | 开发者 | 一个用所选声音朗读文本的 WAV 文件
语音通知 | 服务团队 | 用印度语言说出的简短语音消息
小型硬件上的离线语音 | 爱好者 | 在没有 GPU 的 CPU 上生成的音频

如何设置：你需要先准备：

• Windows、macOS 或 Linux 上的 Python 3.10 或更新版本
• 约 199 MB 的存储空间，用于权重
• 下面命令里列出的 Python 软件包

1. 安装 Hugging Face hub 软件包。
2. 把模型下载到名为 mithi-v2-flash 的文件夹。
3. 进入这个文件夹。
4. 用 pip 安装软件包，然后下载 spaCy 英语模型。

你不需要单独在系统里安装 espeak-ng，因为 espeakng-loader 软件包会把它一起带来。

pip install -U huggingface_hub
hf download Oomni/mithi-v2-flash --local-dir mithi-v2-flash
cd mithi-v2-flash
pip install "torch>=2.4" "transformers>=5.0" "safetensors>=0.4" "sentencepiece>=0.2" "numpy>=1.26" "soundfile>=0.12" \
    "misaki[en]>=0.9.4" "espeakng-loader>=0.2.4" "phonemizer-fork>=3.3.2" "spacy>=3.8" "num2words>=0.5"
python -m spacy download en_core_web_sm

如何使用：用语言代码、声音和你的文本运行 run.py，它会写出一个 WAV 文件。下面两条命令分别朗读一句印地语和一句英语。

python run.py --lang hi --voice ahana --text "आज मौसम कितना अच्छा है! चलो, शाम को कहीं बाहर घूमने चलते हैं।" --out hindi.wav
python run.py --lang en --voice anirban --text "Your appointment is confirmed for Monday at 10:30 AM." --out english.wav

Title: 命令行选项
工具 | 作用
run.py | 从命令行运行模型，并提供 Python API
--lang | 用简短代码选择语言，例如 hi 或 en
--voice | 选择十种声音之一
--text | 给出要朗读的文本
--out | 设置要写出的 WAV 文件
--device cpu | 在 CPU 而不是 GPU 上运行
--threads | 设置使用多少个 CPU 核心

在 Python 中使用时，在 mithi-v2-flash 文件夹里运行下面的代码。

from run import Mithi

tts = Mithi()                                      # loads the model from this folder
audio = tts.synthesize("नमस्ते! आप कैसे हैं?", lang="hi", voice="vaidehi")
tts.save(audio, "namaste.wav")                     # 24 kHz WAV

for voice in tts.voices:                           # all 10 voices
    tts.save(tts.synthesize("வணக்கம்! எப்படி இருக்கீங்க?", lang="ta", voice=voice), f"hello_ta_{voice}.wav")

要在 CPU 上运行，加上设备参数。不加线程参数时，PyTorch 会使用所有核心。

python run.py --device cpu --threads 4 --lang hi --voice charvi --text "आज मौसम कितना अच्छा है! चलो, शाम को कहीं बाहर घूमने चलते हैं।" --out hindi_cpu.wav

较长的文本会被拆成句子，依次朗读，不需要额外步骤。每种声音都能说全部 11 种语言。男声有 Nakul、Siddhant、Vasant、Anirban 和 Satvik，女声有 Ahana、Charvi、Jahnavi、Malini 和 Vaidehi。

示例：你用英语和 Nakul 这个声音运行命令，要它说“Your table is booked for Friday at 7 PM”。返回一个 24 kHz 单声道 WAV 文件，里面是朗读出来的这句话。

新手与专家：如果你刚接触，可以把它看作把键入的文字变成语音文件的工具。运行一次英语命令，听听 WAV，然后换一个声音名字试试。

如果你熟悉这个领域，这个模型由开源组件构建，包括 Maya2-native、Kokoro-82M、indic-bert、Maya 文本规范化器和 misaki，全部使用宽松许可证。权重是 bf16 safetensors。奥里亚语、马拉地语、马拉雅拉姆语和卡纳达语的语音可能比自然说话者略快。有两种声音来自 v1，八种来自 v2。

选择语言代码和声音
给出要朗读的文本
长文本被拆成句子
写出 24 kHz 单声道 WAV 文件

注意事项：模型卡在服务器 CPU 上给平均 15 个词的句子计时，约合 7 秒的音频。较慢的 CPU 耗时会成比例增加。

Title: 在服务器 CPU 上朗读一句话所需的秒数
1 个 CPU 线程: 8 秒
4 个 CPU 线程: 3 秒

• License: Apache-2.0，个人、研究和商业用途都允许，你分享的任何副本都必须带上许可证和致谢
• Cost to run: 未提及
• Data it reaches: 你给它的文本和它写出的 WAV 文件，安装时会下载 Python 软件包和 spaCy 英语模型
• Not for: 极具表现力的语音，因为语调和情绪比自然的声音更平淡

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• Formats: Safetensors
• 最近 30 天下载：62
• 点赞：6
• 许可证：apache-2.0
• 语言：hi, en, bn, gu, kn, ml, mr, or
• 标签：safetensors, text-to-speech, indic, bf16

链接

• 模型：https://huggingface.co/Oomni/mithi-v2-flash
• 文件：https://huggingface.co/Oomni/mithi-v2-flash/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download Oomni/mithi-v2-flash

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。