MakHam Thai TTS

MakHam Thai TTS

用一个只有 8 MB 的 ONNX 小模型，以女声朗读泰语文本，在单个 CPU 线程上就能运行。适合需要在服务器、边缘设备或浏览器里提供泰语语音的开发者。

由 pythainlp 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：MakHam（มะขาม）是 PyThaiNLP 推出的一个开源泰语文本转语音模型系列。它把 Kokoro-82M 的多声音设计和 Paradee 1.1 方法结合起来，后者把模型蒸馏成单一声音。结果是一个约 788 万参数的模型，能处理泰语的五个声调，并且从一个 ONNX 文件就能运行。

适合谁：适合需要在没有 GPU 的情况下提供泰语语音的开发者，比如在服务器、边缘设备或网页里。

行业 | 谁在用 | 怎么用 | 例子
软件 | 应用开发者 | 给应用和机器人加上泰语语音输出 | 让泰语助手把问候语念出来
边缘设备 | 嵌入式工程师 | 在没有 GPU 的小硬件上运行语音 | 在只有 CPU 的设备上播报状态消息
无障碍 | 网页开发者 | 在浏览器里朗读泰语页面 | 为听众朗读一篇新闻

需要其他语言或多种声音的人可以跳过，因为这个版本只有一个泰语女声。

用在哪里：

• 带 ONNX Runtime 的 Python，在 CPU 上运行。
• 服务器、边缘设备和网页浏览器，因为模型是一个独立的 ONNX 文件。
• Windows、macOS 或 Linux：下载步骤在这三个系统上都能用 Python 完成。

使用场景 | 谁用 | 得到什么
朗读泰语文本 | 开发者 | 一个 24 kHz 的 WAV 文件，声音温暖的女声
低功耗语音 | 嵌入式工程师 | 在单个 CPU 线程上快速合成
浏览器语音 | 网页开发者 | 一个小到可以放进网页的模型

如何设置：

先准备好：

• Python 和 pip。
• onnxruntime、soundfile 和 huggingface_hub。
• FastThaiG2P 包，说明页从它的 GitHub 存档安装。

1. 用 pip 安装这三个 Python 包。
2. 按说明页给出的地址安装 FastThaiG2P。
3. 运行下面的 Python 脚本，它会下载模型和配置。

pip install onnxruntime soundfile huggingface_hub

只想取回仓库的话，运行这两条 Hugging Face 命令。

pip install -U huggingface_hub
hf download pythainlp/MakHamTTS

如何使用：

脚本会下载 INT8 的 ONNX 文件和它的配置，用 FastThaiG2P 把泰语文本转成音素 ID，运行 ONNX 会话，并写出一个 24 kHz 的 WAV 文件。speed 输入设为 1.0。

import json
import numpy as np
import onnxruntime as ort
import soundfile as sf
from huggingface_hub import hf_hub_download
from fastthaig2p import G2P, ipa_to_kokoro

# 1. Download model and config from Hugging Face
model_path = hf_hub_download(
    repo_id="pythainlp/MakHamTTS",
    filename="paradee_thai/paradee_thai_int8.onnx"
)
config_path = hf_hub_download(
    repo_id="pythainlp/MakHamTTS",
    filename="paradee_thai/config.json"
)

# 2. Initialize G2P and ONNX session
g2p = G2P()
with open(config_path, "r", encoding="utf-8") as f:
    cfg = json.load(f)

session = ort.InferenceSession(model_path, providers=["CPUExecutionProvider"])

# 3. Convert Thai text to Kokoro phoneme IDs
text = "สวัสดีค่ะ ยินดีต้อนรับสู่ระบบเสียงสังเคราะห์ภาษาไทย มะขาม"
phonemes = ipa_to_kokoro(g2p.convert(text))
token_ids = [0] + [cfg["vocab"][c] for c in phonemes if c in cfg["vocab"]] + [0]

# 4. Synthesize speech
audio = session.run(None, {
    "input_ids": np.array([token_ids], dtype=np.int64),
    "speed": np.array([1.0], dtype=np.float32),
})[0][0]

# 5. Save output audio (24 kHz)
sf.write("output.wav", audio, 24000)
print("Saved audio to output.wav")

Title: 脚本用到的部件
工具 | 作用
hf_hub_download | 取回 ONNX 模型和它的配置
G2P 和 ipa_to_kokoro | 把泰语文本转成音素，再转成 token ID
InferenceSession | 在 CPU 上运行 ONNX 模型
soundfile write | 把音频保存为 WAV 文件

示例：

你把一句泰语问候交给脚本。它把文本转成音素 ID，运行模型，并把 output.wav 以 24 kHz 保存下来。你播放这个文件，就能听到这句话被读出来。

新手与专家：

文本转语音就是把文字变成声音。一个好的第一步是原样运行脚本，听一听保存的文件。

这个模型把 TextStudent 网络和 VDecoder 配在一起，从 Kokoro 基础模型蒸馏而来。女声的风格直接嵌在 ONNX 图里，所以不需要单独的声音包文件。声调用显式符号表示，词表有 115 个 token。代价是只有单一声音，换来的是 INT8 约 8.07 MB 的文件，以及比 Kokoro 基础模型快得多的 CPU 速度。

泰语文本进入 FastThaiG2P
音素映射到 Kokoro token ID
ONNX 模型生成音频
音频保存为 24 kHz 的 WAV

注意事项：说明页把 INT8 和 FP32 版本与 Kokoro-82M 泰语基础模型做了比较。

Title: CPU 速度，相对实时的倍数
MakHam INT8: 45 times real time
MakHam FP32: 28 times real time
Kokoro-82M 泰语基础模型: 4.5 times real time

• 大小：INT8 约 8.07 MB，FP32 为 33.17 MB，而 Kokoro 基础模型是 325.5 MB。
• 训练：约 94,200 条经过验证的语音，并用自动质量过滤。
• License: apache-2.0
• Cost to run: 没有提到 API 密钥、账号或付费服务。
• Data it reaches: 你从 Hugging Face 和 GitHub 下载的文件，以及你传入的文本。
• Not for: 其他语言或声音，因为这个版本只有一个泰语女声。

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 最近 30 天下载：0
• 点赞：2
• 许可证：apache-2.0
• 语言：th
• 标签：onnx, text-to-speech, kokoro, paradee, pythainlp, thai, audio, speech

链接

• 模型：https://huggingface.co/pythainlp/MakHamTTS
• 文件：https://huggingface.co/pythainlp/MakHamTTS/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 pythainlp/MakHamTTS

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。