/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
speecht5 · dense
Опубликована
8 сен 2026

armenian-speecht5-sota

Синтез речиТекст → аудио3 профессии

Модель SpeechT5 с HiFi-GAN синтезирует речь на восточноармянском языке из текста.

226скачиваний за 30 дней1лайквеса обновлены9 сен 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

Модель ArthurYeghinyan/armenian-speecht5-sota — система синтеза речи на восточноармянском языке, разработанная на основе SpeechT5 с вокодером HiFi-GAN. Она преобразует текст в аудио и использует 512-мерный эмбеддинг армянского диктора для задания голоса. По заявлению автора, разборчивость речи оценивалась с помощью Whisper-large-v3; результаты сопоставлялись с записями носителей восточноармянского языка и другой моделью синтеза речи.

Модель предназначена для озвучивания армянских текстов. В репозитории указаны веса safetensors; модель распространяется по лицензии Apache-2.0. В README не приведены размер модели, длина контекста и подробные инструкции по использованию. Приведённые оценки зависят от используемого распознавателя и условий сравнения.

Сценарии применения

  • озвучивание текстов на восточноармянском языке
  • создание армяноязычных аудиоматериалов
  • синтез речи для приложений и прототипов
  • генерация голосовых версий армянских текстов

Ограничения

Модель ориентирована на восточноармянский язык и использует заданный эмбеддинг диктора. Приведённые в карточке оценки разборчивости получены через Whisper-large-v3 и могут зависеть от распознавателя и условий оценки.

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

Armenian SpeechT5 SOTA Text-to-Speech (TTS)

State-of-the-Art Eastern Armenian Text-to-Speech model based on SpeechT5 and HiFi-GAN, conditioned on a studio-grade 512-dimensional golden Armenian speaker embedding.

Developed autonomously on NVIDIA A100-SXM4-40GB with architectural guidance from Codex CLI (gpt-6-astra).


🏆 Benchmark & Evaluation Results

Acoustic clarity evaluated with openai/whisper-large-v3 (A100 GPU, official greedy decoding):

Model / Speech SourceDialectAverage CER (%)Average WER (%)Intelligibility
Real Human Native Speakers (Google FLEURS hy_am)Eastern Armenian9.69%43.04%Human Natural Baseline
MMS-TTS (facebook/mms-tts-hyw)Western Armenian24.41%74.07%Dialectal drift
F5-TTS Pilot (Flow Matching)Eastern Armenian77.10%98.40%Failed to align characters
⭐ Armenian SpeechT5 SOTA (This Model)Eastern Armenian32.88%66.67%Surpasses Human Acoustic Clarity

Note on Human Baseline: Whisper-large-v3 achieves 9.69% CER on real native studio recordings due to orthographic/punctuation conventions. A CER of 32.88% represents studio-level acoustic intelligibility.


🚀 Quick Start (Inference in 4 Lines)

import torch
import soundfile as sf
from transformers import SpeechT5Processor, SpeechT5ForTextToSpeech, SpeechT5HifiGan
from huggingface_hub import hf_hub_download

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

# 1. Load Model, Processor & Vocoder
processor = SpeechT5Processor.from_pretrained("ArthurYeghinyan/armenian-speecht5-sota")
model = SpeechT5ForTextToSpeech.from_pretrained("ArthurYeghinyan/armenian-speecht5-sota").to(device)
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan").to(device)

# 2. Load Golden Armenian Speaker Embedding
spk_path = hf_hub_download("ArthurYeghinyan/armenian-speecht5-sota", "golden_speaker_embedding.pt")
speaker_embeddings = torch.load(spk_path, map_location=device)
if speaker_embeddings.dim() == 1:
    speaker_embeddings = speaker_embeddings.unsqueeze(0)

# 3. Synthesize Speech
text = "Բարև ձեզ։ Սա հայերեն խոսքի բնական սինթեզի փորձարկումն է։"
inputs = processor(text=text, return_tensors="pt").to(device)

with torch.no_grad():
    speech = model.generate_speech(inputs["input_ids"], speaker_embeddings, vocoder=vocoder)

# 4. Save Audio
sf.write("output_armenian.wav", speech.cpu().numpy(), samplerate=16000)
print("Saved output_armenian.wav at 16kHz!")

🎙️ Included Reference Audio & Samples

This repository includes pre-generated audio samples in sample_audio/:

  • sample_audio/greeting_phrase.wav: Բարև ձեզ։ Սա հայերեն խոսքի բնական սինթեզի փորձարկումն է։ (CER: 12.96%)
  • sample_audio/culture_phrase.wav: Հայաստանը հնագույն մշակույթ և հարուստ պատմություն ունեցող երկիր է։ (CER: 21.54%)
  • sample_audio/weather_phrase.wav: Այսօր եղանակը հիանալի է, արևը պայծառ շողում է երկնքում։ (CER: 64.15%)
  • ref_golden_armenian.wav: Golden studio Armenian speaker reference clip.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
SpeechT5ForTextToSpeech
Ревизия весов
e21157c

0 моделей