/ Модель

Характеристики

Лицензия
GPL 3.0
Библиотека
seed-vc
Опубликована
9 окт 2026

africa-female-vc

Обработка аудиоАудио → аудио

Модель AfriSpeech для преобразования речи в женский голос с африканским звучанием с попыткой сохранить исходные слова.

0скачиваний за 30 дней0лайковвеса обновлены9 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

africa-female-vc — модель преобразования голоса на базе Seed-VC, разработанная AfriSpeech и дообученная на африканской речи. Она преобразует входную речь в женский голос с африканским звучанием, стараясь сохранить произнесённые слова. В библиотеке и CLI проекта доступны 21 встроенный голос; заявлена работа с речью на разных языках, включая языки, которых не было в обучающих данных.

Модель использует архитектуру DiT в конфигурации Seed-VC с Whisper small и WavNet; веса сохранены в формате PyTorch. Дообучение выполнено на 15 369 клипах общей длительностью 21 час с женскими голосами из набора AfriSpeech/africa-female-speech-v2-best60. В оценке на 105 клипах средний CER составил 18,73 против 22,57 у исходной Seed-VC; на 27 из 37 проверенных вне обучающей области языков результат был лучше исходной модели. Лицензия — GPL-3.0.

Сохранение слов не гарантировано: ошибки распознавания после преобразования остаются, а качество особенно слабое для некоторых языков, в том числе Tashelhayt, Mankanya, Fon, Dan и Shilluk. Результаты по отдельным языкам основаны на небольших выборках; для части языков качество использованной ASR-системы затрудняет оценку.

Сценарии применения

  • преобразование речи в один из женских голосов AfriSpeech
  • смена тембра голоса в аудиозаписи
  • озвучивание речи на африканских языках другим голосом
  • эксперименты с кросс-языковым преобразованием голоса

Ограничения

После преобразования возможны ошибки в сохранении слов; результаты заметно различаются между языками, а для некоторых языков CER высокий. Оценка основана на небольших наборах клипов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

africa-female-vc

A Seed-VC voice-conversion model fine-tuned on African speech: convert speech in any language into an African female voice while keeping the words.

pip install git+https://github.com/AfriSpeech/africa-female-vc
africa-female-vc convert-file talk.wav --voice warm-low -o talk_warm_low.wav

Results

Content preservation after conversion, measured as CER of omniASR-CTC-300M-v2 (sherpa-onnx) on the converted audio against the source transcript. Held-out set: 105 clips (5 per language) from the v2 validation split, each converted into an unseen reference voice of the same language at 50 diffusion steps. The floor is the same ASR on the unconverted source audio - the best a conversion can do.

CERabove floor
Real recordings (floor)15.02-
Zero-shot Seed-VC (seed-uvit-whisper-small-wavenet)22.57+7.55
africa-female-vc18.73+3.71

Per language (5 clips each - treat differences of a point or two as noise):

LanguageFloorZero-shotafrica-female-vc
Amharic15.220.816.7
Chichewa5.811.211.7
Hausa5.719.921.2
Igbo15.626.918.8
Kinyarwanda4.88.25.8
Kirundi4.710.99.4
Ndebele13.323.716.8
Oromo15.222.012.7
Sepedi12.627.415.5
Sesotho22.427.423.0
Setswana16.920.416.9
Shona9.024.214.1
Swahili2.77.44.6
Swati15.921.916.8
Tigrinya21.442.926.5
Tsonga9.619.720.2
Twi20.928.025.2
Venda33.937.535.4
Xhosa15.825.420.6
Yoruba48.537.150.7
Zulu5.311.310.7

Out-of-domain languages

Measured on AfriSpeech/youversion-african-speech (streamed): 4 clips (4-12 s) per language from different chapters, each converted into a different built-in voice, CER as above (omniASR-CTC-300M-v2 vs the source transcript, 50 diffusion steps).

LanguagesFloor (real audio)Zero-shot Seed-VCafrica-female-vcFine-tuned better in
Out-of-domain (never trained on)3720.8534.96 (+14.1)30.98 (+10.1)27/37
Control (training languages, new source)416.2731.73 (+15.5)25.37 (+9.1)3/4
  • The fine-tuning transfers to languages the model never saw: the penalty above real speech drops from +14.1 to +10.1 CER points, and the model beats zero-shot Seed-VC in 27 of 37 unseen languages.
  • A new language costs about one extra point: the control languages (which the model was trained on) sit at +9.1 on this dataset too, so most of the gap versus the in-domain result comes from the new recording source and voices, not from the language.
  • Weakest: Tashelhayt, Mankanya, Fon, Dan and Shilluk (+20 to +42 above floor; several are strongly tonal). Tarifit, Luba-Lulua and Kikuyu are uninformative - the ASR itself scores 55-88% CER on their real audio.
  • 4 clips per language: trust the group averages over single-language numbers.
LanguageFloorZero-shotafrica-female-vc
Afar28.537.932.4
Baoulé44.251.051.4
Bemba (Zambia)3.613.85.3
Burkina Faso Fulfulde9.728.621.7
Dan6.837.828.0
Fon23.256.845.6
Fulani10.622.618.8
Ganda3.57.46.5
Jola-Kasa7.727.425.6
Kalanga14.120.717.6
Kalenjin23.631.428.2
Kikuyu54.962.058.9
Lingala0.92.13.4
Lozi15.926.924.5
Luba-Lulua69.272.272.4
Makhuwa-Shirima14.731.513.0
Malgache14.726.623.1
Mankanya6.638.540.3
Mbunda16.123.520.8
Mende20.732.627.5
Mossi10.819.918.6
Ngambay11.724.622.5
Northeastern Dinka37.242.739.3
Pular8.328.324.6
Punu (Ipounou)16.325.926.4
Sango6.722.224.4
Shilluk35.556.255.1
Somali2.747.519.0
Sukuma26.540.140.3
Tarifit88.591.687.9
Tashelhayt17.874.959.9
Tiv34.237.338.2
Tumbuka45.250.653.0
Western Niger Fulfulde9.122.719.5
Wolof (Senegal)11.725.121.5
Yaka13.817.618.4
Éwé6.114.912.7
Amharic (control)9.340.424.7
Hausa (control)37.645.242.9
Swahili (control)7.510.210.5
Yoruba (control)10.731.123.3

Training

  • Base: DiT_seed_v2_uvit_whisper_small_wavenet_bigvgan_pruned.pth (Plachta/Seed-VC), config config_dit_mel_seed_uvit_whisper_small_wavenet.yml
  • Data: AfriSpeech/africa-female-speech-v2-best60 - the cleanest 60 minutes of each language (Demucs-cleaned, UTMOS-ranked), 15,369 clips / 21.0 h, female speakers
  • Recipe: batch size 2, up to 30,000 steps (~4 epochs); a checkpoint every 200 steps, each evaluated on a 42-clip held-out set while training ran
  • Selected checkpoint: step 25,200 - lowest CER during training, and the best of the final candidates on the independent 105-clip set above

Training curve (42-clip set, 2,000-step windows; zero-shot base 25.42 and floor 17.93 on that set):

StepsMean CERMean train loss
200-2,00024.110.596
2,200-4,00023.330.594
4,200-6,00023.150.593
6,200-8,00023.190.594
8,200-10,00022.880.589
10,200-12,00023.000.590
12,200-14,00022.800.590
14,200-16,00023.210.592
16,200-18,00023.070.586
18,200-20,00022.950.588
20,200-22,00022.780.588
22,200-24,00022.810.586
24,200-26,00022.830.586
26,200-28,00022.680.588
28,200-30,00022.270.586

Files

  • ft_model.pth - fine-tuned DiT weights (no optimizer state)
  • config_dit_mel_seed_uvit_whisper_small_wavenet.yml - Seed-VC config

License

GPL-3.0, following upstream Seed-VC. Training data is CC BY-NC 4.0.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · seed-vc

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
9e8b6a3

0 моделей