/ Модель

Характеристики

Контекст
600 токенов
Лицензия
Apache 2.0
Архитектура
speecht5 · dense
Библиотека
transformers
Опубликована
11 июл 2026

Balochi-TTS-Three-Speakers

Синтез речиТекст → аудио3 профессии

SpeechT5-модель преобразует короткий текст на белуджском языке латиницей в речь с выбором одного из трёх голосов.

90скачиваний за 30 дней0лайковвеса обновлены11 июл 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

Aynkader разработал Balochi-TTS-Three-Speakers — модель синтеза речи на базе SpeechT5, дообученную для чтения текста на белуджском языке латиницей. Она преобразует текст в речь с одним из трёх голосов: новостного диктора Ayn Káder, мужского голоса Dódá или женского голоса Dódén; для вокодирования используется microsoft/speecht5_hifigan. Модель подходит для озвучивания коротких фраз и абзацев, например новостных текстов.

README рекомендует ограничивать вход примерно 100 символами; прямой ввод ожидается латиницей, а арабское письмо поддерживается в веб-демо через преобразование в латиницу. Обучение проводилось на 75 аудиозаписях — по 25 на каждого диктора, поэтому данных для каждого голоса немного. Для первого запуска требуется интернет, чтобы загрузить HiFi-GAN. Лицензия модели — Apache-2.0.

Сценарии применения

  • озвучивание коротких новостных заметок на белуджском языке
  • синтез речи на белуджском языке тремя голосами
  • создание аудиоверсий коротких текстов на белуджском языке

Ограничения

Лучше подходит для коротких текстов длиной до 100 символов; для прямого запуска нужен ввод латиницей, а обучение каждого голоса основано только на 25 записях. При первом запуске требуется интернет для загрузки вокодера HiFi-GAN.

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

Balochi-TTS-Three-Speakers

Balochi Latin-script text-to-speech with three speaker voices, built with SpeechT5.

Speakers

VoiceKeyEmbedding fileDescription
Ayn Káderayn_kaderspeaker_embedding_ayn_kader.ptOriginal news reader
Dódádodaspeaker_embedding_doda.ptMale voice
Dódéndodenspeaker_embedding_doden.ptFemale voice

Quick start

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

MODEL_ID = "Aynkader/Balochi-TTS-Three-Speakers"
device = "cuda" if torch.cuda.is_available() else "cpu"

processor = SpeechT5Processor.from_pretrained(MODEL_ID)
model = SpeechT5ForTextToSpeech.from_pretrained(MODEL_ID).to(device).eval()
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan").to(device).eval()

emb_path = hf_hub_download(MODEL_ID, "speaker_embedding_ayn_kader.pt")
speaker = torch.load(emb_path, map_location="cpu", weights_only=False)
if speaker.dim() == 1:
    speaker = speaker.unsqueeze(0)

text = "Gwáderá tyáb dapá sharábay proshtagén bótalán daryáward paréshán kotagant."
inputs = processor(text=text, return_tensors="pt").to(device)

with torch.no_grad():
    speech = model.generate_speech(
        inputs["input_ids"],
        speaker.to(device),
        vocoder=vocoder,
        threshold=0.62,
        minlenratio=0.10,
        maxlenratio=6.0,
    )

sf.write("output.wav", speech.cpu().numpy(), 16000)

Supported text

Use Balochi Latin characters:

a b c d e g h i j k l m n o p r s t u w y z
á é ó  (and uppercase)
. , : ? ! ' -
digits 0-9

Arabic script input is supported in the web Space via built-in Arabic → Latin conversion.

Model files

FileDescription
config.jsonSpeechT5 architecture
model.safetensorsFine-tuned weights (~578 MB)
preprocessor_config.jsonMel spectrogram settings
spm_char.modelSentencePiece tokenizer
speaker_embedding_ayn_kader.ptNews reader embedding
speaker_embedding_doda.ptMale speaker embedding
speaker_embedding_doden.ptFemale speaker embedding

Training

  1. Base: BalochiT5-Fine-Tuned-Model2-News (25 news clips)
  2. Three-speaker fine-tune: 75 samples (Ayn Káder, Dódá, Dódén)
  3. Per-file speaker embeddings (x-vector)
  4. Script: train_tts_three_speakers.py in the upstream TTS project

Limitations

  • Best for short paragraphs (≤100 characters recommended)
  • Latin script input for direct inference; Arabic via converter
  • Requires internet on first run for HiFi-GAN vocoder
  • Small per-speaker dataset (25 clips each)

Citation

Aynkader/Balochi-TTS-Three-Speakers — https://huggingface.co/Aynkader/Balochi-TTS-Three-Speakers

License

Apache 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
SpeechT5ForTextToSpeech
Ревизия весов
cc25ef6

0 моделей