/ Модель

Характеристики

Контекст
450 токенов
Лицензия
Своя лицензия
Архитектура
speecht5 · dense
Базовая модель
speecht5_vc
Библиотека
transformers
Опубликована
26 авг 2025

Speech-Conversion

Обработка аудиоАудио → аудио3 профессии

Модель преобразует исходную речь в голос целевого говорящего по короткому эталонному аудиофрагменту.

20скачиваний за 30 дней5лайковвеса обновлены26 авг 2025

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

Amirhossein Yousefiramandi разработал модель для преобразования речи в речь на основе SpeechT5 и вокодера HiFi-GAN. Она переносит тембр целевого говорящего на исходную запись, используя короткий аудиофрагмент целевого голоса и speaker embeddings x-vector, получаемые с помощью ECAPA. В метаданных указаны архитектура SpeechT5ForSpeechToSpeech, формат safetensors и набор данных CMU ARCTIC; примеры обучения ориентированы на английскую речь.

Модель предназначена для прототипирования, исследовательских демонстраций и обучения, а также для адаптации к парам говорящих и развёртывания сервиса инференса. Качество может снижаться на других языках и акцентах, шумной или неподходящей входной записи; возможны артефакты и ухудшение разборчивости. Для репозитория указана лицензия other, а README сообщает об отсутствии собственного файла лицензии, поэтому условия использования следует уточнить у автора; базовые модели имеют лицензию MIT.

Сценарии применения

  • перенос тембра целевого говорящего на исходную запись
  • создание демонстрации преобразования голоса
  • эксперименты с конвертацией речи в речь
  • адаптация преобразования голоса к парам говорящих
  • развёртывание сервиса преобразования голоса

Ограничения

Качество может снижаться для языков, акцентов и шумных условий, отличающихся от студийного североамериканского английского CMU ARCTIC; на неподходящих аудиозаписях возможны артефакты и потеря разборчивости. Использование для имитации голоса без согласия и для голосовой аутентификации не предназначено.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for speech-conversion

Any‑to‑any voice conversion (speech‑to‑speech) powered by Microsoft’s SpeechT5 voice‑conversion model. Convert a source utterance into the timbre of a target speaker using a short reference clip.

This model card documents the repository amirhossein-yousefi/speech-conversion, which wraps the Hugging Face implementation of SpeechT5 (voice conversion) and the matching HiFiGAN vocoder, with a lightweight training loop and optional AWS SageMaker entry points.

Model Details

Model Description

  • Developed by: Amirhossein Yousefiramandi (repo author)
  • Shared by : Amirhossein Yousefiramandi
  • Model type: Speech-to-speech voice conversion using SpeechT5 (encoder–decoder) + HiFiGAN vocoder with speaker x‑vectors (ECAPA) for target voice conditioning
  • Language(s): English (training examples use CMU ARCTIC)
  • License: Repository does not include a license file (treat as “other”). Underlying base models on Hugging Face list MIT (see sources).
  • Finetuned from model : microsoft/speecht5_vc (with microsoft/speecht5_hifigan as vocoder); speaker embeddings via speechbrain/spkrec-ecapa-voxceleb

Model Sources

Training Hardware & Environment

  • Device: Laptop (Windows, WDDM driver model)
  • GPU: NVIDIA GeForce RTX 3080 Ti Laptop GPU (16 GB VRAM)
  • Driver: 576.52
  • CUDA (driver): 12.9
  • PyTorch: 2.8.0+cu129
  • CUDA available: ✅

Training Logs & Metrics

  • Total FLOPs (training): 1,571,716,275,216,842,800
  • Training runtime: 1,688.2899 seconds
  • Hardware Type: Single NVIDIA GeForce RTX 3080 Ti Laptop GPU

Uses

Direct Use

  • Voice conversion (VC): Given a source speech clip (content) and a short reference clip of the target speaker, synthesize the source content in the target’s voice. Intended for prototyping, research demos, and educational exploration.

Downstream Use

  • Fine‑tuning VC on paired speakers (e.g., CMU ARCTIC pairs) for improved similarity.
  • Building hosted inference services (e.g., AWS SageMaker real‑time endpoint) using the provided handlers.

Out‑of‑Scope Use

  • Any application that impersonates individuals without explicit consent (e.g., fraud, deepfakes).
  • Safety‑critical domains where audio identity must not be spoofed (e.g., voice‑based authentication).

Bias, Risks, and Limitations

  • Identity & consent: Converting into a target speaker’s timbre can be misused for impersonation. Always obtain informed consent from target speakers.
  • Dataset coverage: CMU ARCTIC is studio‑quality North American English; performance may degrade on other accents, languages, or noisy conditions.
  • Artifacts & intelligibility: Conversion quality depends on model checkpoint quality and speaker embedding robustness; artifacts may appear for out‑of‑domain inputs or poor reference audio.

Recommendations

  • Keep reference audio mono 16 kHz, clean, and at least a few seconds long.
  • Use GPU for real‑time or faster‑than‑real‑time conversion.
  • Consider adding post‑filters (denoising, loudness normalization) for production use.
  • Obtain explicit consent and disclose synthesized audio where appropriate.

How to Get Started with the Model

CLI (local inference)

# Requirements (Python 3.10+)
pip install "transformers>=4.42" "datasets>=2.20" "torch>=2.1" \
            "numpy>=1.24" "sentencepiece>=0.1.99" "protobuf>=4.23" \
            "speechbrain>=1.0.0" soundfile

# One‑shot conversion (mono 16 kHz WAVs)
python scripts/convert_once.py \
  --checkpoint microsoft/speecht5_vc \
  --src path/to/src.wav \
  --ref path/to/ref.wav \
  --out converted.wav

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Класс архитектуры
SpeechT5ForSpeechToSpeech
Ревизия весов
3fc6ba6

0 моделей