Mithi v1 Flash

Mithi v1 Flash

用男声和女声朗读 11 种印度语言的文字，可在 GPU 或普通 CPU 上运行，适合给应用加入语音功能的开发者。

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 v1 Flash 是 Oomni 推出的小型文字转语音模型，支持 11 种印度语言，其中包括英语。它有两个声音，Satvik（男声）和 Charvi（女声），输出 24 kHz 单声道音频。模型有 99.1 M 参数，占 197 MB。

适合谁：它适合需要印度语言语音输出，但不想用大模型或 GPU 的开发者。

Industry | Who uses it | How they use it | Example
客户服务 | 客服团队 | 用来电者自己的语言朗读回复 | 一条泰米尔语或印地语的自动电话留言
教育 | 教师和应用开发者 | 为地区语言加入语音课程 | 一个朗读马拉地语故事的阅读应用
媒体 | 内容创作者 | 朗读简短的新闻或讲解文字 | 一条用孟加拉语播报的新闻摘要
无障碍 | 应用开发者 | 让屏幕上的文字可以听到 | 一个朗读泰卢固语文字的读屏插件

如果你只需要英语语音，或想要很多声音可选，可以跳过它。

用在哪里：

• 装有 Python 的 Windows、macOS 和 Linux 电脑
• 命令行，通过自带的推理脚本
• 你自己的 Python 代码，通过 Mithi 类
• 只有 CPU 的设备，如笔记本、Raspberry Pi、手机和没有 GPU 的服务器

Use case | Who | What they get back
语音消息 | 开发者 | 一个用你选的语言和声音朗读的 WAV 文件
朗读长文本 | 应用开发者 | 逐句跟随文本的音频
数字和时间 | 内容团队 | 把数字、时间和货币读成文字

如何设置：

你需要先准备：

• Python 3.10 或更新版本，以及 pip
• GPU 不是必需的，因为模型也能在 CPU 上运行
• 大约 197 MB 的磁盘空间存放权重

1. 安装 Hugging Face hub 工具，并把模型下载到本地文件夹。
2. 进入这个文件夹。
3. 安装 Python 依赖。
4. 下载最后一条命令里写到的英语 spaCy 模型。

pip install -U huggingface_hub
hf download Oomni/mithi-v1-flash --local-dir mithi-v1-flash
cd mithi-v1-flash
pip install -r requirements.txt
python -m spacy download en_core_web_sm

如何使用：在模型文件夹里运行推理脚本，给出语言代码、声音、文字和输出文件名。下面的例子用男声读一行英语。没有 GPU 时加上 CPU 选项。

python inference.py --lang en --voice satvik --text "Your appointment is confirmed for Monday at 10:30 AM." --out english.wav

Tool | What it does
--lang | 用简短代码选择语言，比如 hi、en 或 ta
--voice | 选择 satvik 或 charvi
--text | 放要朗读的文字
--out | 指定要写出的 WAV 文件名
--device cpu | 让模型在 CPU 上运行
--threads | 设置使用多少个 CPU 核心

示例：你运行上面的命令，文字是一句预约已确认的话。脚本用 Satvik 的声音朗读，把时间读成文字，并把 english.wav 保存为 24 kHz 单声道音频，你可以直接播放。

新手与专家：Mithi 把输入的文字变成语音。第一步可以先下载文件夹，用 satvik 的声音运行英语命令，再播放它写出的文件。

从内部看，它是一个 bf16 模型，由 Kokoro-82M 和 indic-bert 等开源部分加一个文本规范化器组成。在 CPU 上它用速度换体积：在服务器芯片上用 4 个线程，一句 15 词的句子约需 3 s，更慢的芯片会更久。

文字和语言代码输入
规范化器把数字读成文字
模型用所选声音朗读
输出 24 kHz 单声道 WAV 文件

注意事项：速度是在 AMD EPYC 9554 服务器 CPU 上，用约 7 s 语音的句子测得的。

Title: 服务器 CPU 上每句 15 词句子所需秒数
1 线程: 8 s
4 线程: 3 s

• 语言: 印地语、英语、孟加拉语、古吉拉特语和卡纳达语，以及马拉雅拉姆语、马拉地语、奥里亚语、旁遮普语、泰米尔语和泰卢固语
• 长文本: 自动逐句朗读
• 组成: 基于宽松许可的开源模型和工具，requirements.txt 里的包保留各自的许可证
• License: Apache 2.0，个人、研究和商业使用都免费，分享副本时需保留许可证和致谢
• Cost to run: 未提及，你使用自己的 GPU 或 CPU
• Data it reaches: 你给它的文字，以及它写到你指定位置的音频文件

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：592
• 点赞：70
• 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-v1-flash
• 文件：https://huggingface.co/Oomni/mithi-v1-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-v1-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。