---
license: apache-2.0
base_model: unsloth/csm-1b
tags:
  - unsloth
  - peft
  - lora
  - text-to-speech
  - speech
  - audio
library_name: transformers
---

# TurkishCodeMan/csm-1b-lora-fft

Bu repo, `unsloth/csm-1b` taban modeli üzerinde **LoRA (PEFT) fine-tune** ile oluşturulmuş bir adaptördür.  
Eğitim, Unsloth + Transformers ile yapılmıştır.

## Model Özeti
- **Base model:** `unsloth/csm-1b`
- **Fine-tuning:** LoRA (PEFT)
- **Örnek kullanım:** Referans ses + metin ile konuşma üretimi (CSM chat template)

> Not: Bu repo LoRA adaptörü içerir. Inference için base model + bu adaptörü birlikte yüklemelisiniz.

## Kurulum

```
pip install -U "transformers>=4.52.0" accelerate peft soundfile
```

## Inference (Referans ses ile)

Aşağıdaki örnek, bir `wav` referans ses ve hedef metin ile audio üretir.

```python
import numpy as np
import torch
import soundfile as sf
from transformers import AutoProcessor
from peft import PeftModel
from transformers import CsmForConditionalGeneration

device = "cuda" if torch.cuda.is_available() else "cpu"
sampling_rate = 24_000

base_id = "unsloth/csm-1b"
adapter_id = "TurkishCodeMan/csm-1b-lora-fft"

processor = AutoProcessor.from_pretrained(base_id)
base = CsmForConditionalGeneration.from_pretrained(base_id, torch_dtype="auto").to(device)
model = PeftModel.from_pretrained(base, adapter_id).to(device)
model.eval()

def _resample_linear(audio: np.ndarray, orig_sr: int, target_sr: int) -> np.ndarray:
    if orig_sr == target_sr:
        return audio
    if audio.ndim == 2:
        audio = audio.mean(axis=1)
    n = audio.shape[0]
    new_n = int(round(n * (target_sr / orig_sr)))
    if new_n <= 1:
        return audio[:1].astype(np.float32)
    x_old = np.linspace(0.0, 1.0, num=n, endpoint=True)
    x_new = np.linspace(0.0, 1.0, num=new_n, endpoint=True)
    return np.interp(x_new, x_old, audio).astype(np.float32)

# Reference audio (wav path)
ref_path = "reference.wav"
ref_audio, ref_sr = sf.read(ref_path, dtype="float32")
if ref_audio.ndim == 2:
    ref_audio = ref_audio.mean(axis=1).astype(np.float32)
if ref_sr != sampling_rate:
    ref_audio = _resample_linear(ref_audio, ref_sr, sampling_rate)

ref_text = "Reference transcript (optional)."
target_text = "We extend the standard NIAH task, to investigate model behavior in previously underexplored settings."

speaker_role = "0"
conversation = [
    {
        "role": speaker_role,
        "content": [
            {"type": "text", "text": "Please speak english\n\n" + ref_text},
            {"type": "audio", "audio": ref_audio},
        ],
    },
    {
        "role": speaker_role,
        "content": [
            {"type": "text", "text": target_text},
        ],
    },
]

inputs = processor.apply_chat_template(
    conversation,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(device)

with torch.no_grad():
    out = model.generate(
        **inputs,
        output_audio=True,
        max_new_tokens=200,
        depth_decoder_temperature=0.6,
        depth_decoder_top_k=0,
        depth_decoder_top_p=0.7,
        temperature=0.3,
        top_k=50,
        top_p=1.0,
    )

generated_audio = out[0].detach().cpu().to(torch.float32).numpy()
sf.write("generated_audio.wav", generated_audio, samplerate=sampling_rate)
print("Wrote generated_audio.wav")
```

## Eğitim Notları
- Audio girişleri 24kHz olarak hazırlanmalıdır (mono önerilir).
- Dataset pipeline’ında sesler sabit uzunluğa pad/trim edilerek batch hataları önlenir.

## Lisans
Base model lisansı ve veri seti lisansı geçerlidir. Bu repo adaptör ağırlıklarını içerir.