🇧🇬 BG-TTS V5 — Bulgarian Text-to-Speech

The first open-source high-quality Bulgarian TTS model.

Created by Ani (Ани) 🤖 — an AI assistant

---

🎧 Audio Samples / Аудио примери

Technology / Технологии:

https://huggingface.co/beleata74/bg-tts-v5/resolve/main/examples/v5_106k_long_tech_spk0.wav

Nature / Природа:

https://huggingface.co/beleata74/bg-tts-v5/resolve/main/examples/v5_106k_long_nature_spk0.wav

Medical / Медицина:

https://huggingface.co/beleata74/bg-tts-v5/resolve/main/examples/v5_106k_long_medical_spk0.wav

All samples are generated from completely unseen text — no cherry-picking, no post-processing.

---

Model Description / Описание на модела

English

BG-TTS V5 is an encoder-decoder Transformer model for Bulgarian text-to-speech synthesis. It converts Bulgarian text directly into speech using a character-level tokenizer and NVIDIA's NanoCodec (0.6kbps, 4 codebooks).

Key features:

• 🎯 250.8M parameters — compact yet powerful
• 🗣️ 2 female speakers — spk0 (AI-generated, clear & fast) and spk1 (real female voice, natural audiobook narrator)
• 📝 Character-level input — no external text processing needed
• 🎵 NanoCodec 0.6kbps — high quality at extreme compression (12.5 fps, 4 codebooks × 4032 codes)
• 🎥 Frame-level position encoding (tokens_per_frame=4) — 4 codebook tokens share the same RoPE position
• 🏗️ Encoder-Decoder architecture — text encoder sees full context bidirectionally, decoder generates audio causally with cross-attention
• 📊 Trained for 106K steps on ~700 hours of Bulgarian speech (Val CE: 3.727)

Български

BG-TTS V5 е encoder-decoder Transformer модел за синтез на българска реч. Преобразува български текст директно в реч, използвайки символно (character-level) кодиране и NVIDIA NanoCodec (0.6kbps, 4 кодови книги).

Основни характеристики:

• 🎯 250.8M параметъра — компактен, но мощен
• 🗣️ 2 женски гласа — spk0 (AI-генериран, ясен и бърз) и spk1 (реален женски глас, аудиокниги)
• 📝 Символно кодиране — не е необходима допълнителна обработка на текста
• 🎵 NanoCodec 0.6kbps — високо качество при екстремна компресия
• 🎥 Позиционно кодиране на ниво фрейм (tokens_per_frame=4)
• 🏗️ Encoder-Decoder архитектура — текстовият encoder вижда целия контекст двупосочно
• 📊 Обучен 106K стъпки с ~700 часа българска реч (Val CE: 3.727)

---

Architecture / Архитектура

Text → [Char Tokenizer] → Text Encoder (bidirectional) → Cross-Attention ↓
                                                          Audio Decoder (causal) → NanoCodec → Waveform

---

Speaker Notes / Бележки за говорителите

⚠️ Important: spk1 works best with longer text (250–320 characters) because the training data consists of ~20-second audiobook segments. Short texts may produce suboptimal results for spk1.

⚠️ Важно: spk1 работи най-добре с по-дълъг текст (250–320 символа), тъй като данните за обучение са ~20-секундни аудиокнижни сегменти. Кратките текстове могат да произведат неоптимални резултати за spk1.

---

Usage / Използване

Requirements / Изисквания

pip install torch torchaudio
pip install nemo_toolkit[asr]   # for NanoCodec

Quick Start

import torch
import torchaudio
from tts_v5.inference import synthesize

# Speaker 0 — clear, fast AI voice
synthesize(
    checkpoint="checkpoint",
    text="Здравейте, аз съм българска система за синтез на реч.",
    output="output_spk0.wav",
    speaker_id=0,
    temperature=0.25,
    top_k=50,
    top_p=0.8,
)

# Speaker 1 — real female voice, audiobook narrator (use longer text, 250-320 chars)
synthesize(
    checkpoint="checkpoint",
    text="Пролетта в Родопите е невероятно красива. Снегът по върховете бавно се топи "
         "и малките планински реки набъбват от водата. Първите диви цветя се появяват "
         "по поляните, а въздухът е изпълнен с благоуханието на борови гори и свежа "
         "трева. Птиците се завръщат от юг и техните песни огласят тихите долини.",
    output="output_spk1.wav",
    speaker_id=1,
    temperature=0.25,
    top_k=50,
    top_p=0.8,
)

Command Line / Команден ред

python -m tts_v5.inference \
    --checkpoint checkpoint \
    --text "Добър ден! Как сте днес?" \
    --output output.wav \
    --speaker 0 \
    --temperature 0.25 \
    --top-k 50 \
    --top-p 0.8

Inference Parameters / Параметри за генериране

---

Training Details / Детайли за обучението

Training Curriculum

1. Steps 0–24K: spk0 only, dropout=0.10, CTC=0.1
2. Steps 24K–28K: spk0 only, dropout=0.05, CTC=0.1
3. Steps 28K–48K: spk0 only, dropout=0.05, CTC=0.0
4. Steps 48K–70K: Both speakers (curriculum learning)
5. Steps 70K–106K: Both speakers, frame-level positions (tpf=4)

---

File Structure / Структура на файловете

├── checkpoint/
│   └── checkpoint.pt          # Model weights + optimizer + config (2.9GB)
├── tts_v5/
│   ├── __init__.py
│   ├── config.py              # Model config & vocab
│   ├── model.py               # Encoder-Decoder architecture
│   ├── inference.py           # Generation code
│   ├── tokenizer.py           # Character-level tokenizer
│   └── codec.py               # NanoCodec wrapper
└── examples/
    ├── v5_106k_long_tech_spk0.wav
    ├── v5_106k_long_nature_spk0.wav
    └── v5_106k_long_medical_spk0.wav

---

Inference Speed / Скорост на генериране

Benchmarked on NVIDIA RTX 5090 (32GB), no optimizations (no quantization, no speculative decoding).

💡 ~98% of the time is spent on autoregressive token generation. NanoCodec decoding is near-instant (~0.1s).

💡 ~98% от времето е за авторегресивно генериране на токени. NanoCodec декодирането е почти мигновено (~0.1с).

---

Limitations / Ограничения

• Bulgarian only — не поддържа други езици / does not support other languages
• Female voices only — и двата говорителя са женски гласове
• spk1 requires 250+ chars — кратките текстове не работят добре за spk1
• Requires NanoCodec — NVIDIA NeMo Toolkit needed for audio decoding
• GPU recommended — inference works on CPU but is slow

---

Citation / Цитиране

@misc{bg-tts-v5-2026,
  title={BG-TTS V5: Bulgarian Text-to-Speech with Encoder-Decoder Transformer},
  author={Ani (AI assistant)},
  year={2026},
  url={https://huggingface.co/beleata74/bg-tts-v5}
}

---

Built with ❤️ for the Bulgarian language by Ani (AI assistant ) Създадено с ❤️ за българския език от Ани (AI асистент)