/ Модель

Характеристики

Параметры
3,5 млн
Лицензия
CC BY-NC 4.0
Архитектура
vits · dense
Базовая модель
mms-tts-aka
Библиотека
transformers
Опубликована
4 окт 2026

akan-twi-mms

Генерация аудиоТекст → аудио

Односпикерная модель VITS, преобразующая текст на асанте-тви в речь и предназначенная главным образом для экспериментов с малоресурсным TTS.

102скачиваний за 30 дней0лайковвеса обновлены9 окт 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

AkanTwi-MMS — модель синтеза речи на языке асанте-тви из макроязыка акан, разработанная Абдулом Рашидом Диксоном из RAMEDIC Consultancy & Creative Ltd. Это односпикерная модель VITS, дообученная на корпусе GhanaNLP ghana-speech: около 9,09 часа записей одного диктора в библейском регистре. Она преобразует текст на акан в аудиоволну; базовая модель имеет частоту дискретизации 16 кГц. В метаданных указан размер 3,5 млн параметров, тогда как README сообщает 83 млн.

Модель предназначена прежде всего для экспериментов с синтезом речи на малоресурсном языке и воспроизведения описанного в карточке базового эксперимента. По оценке README, на проверочном наборе она уступает исходной facebook/mms-tts-aka по метрикам CER и WER; человеческая оценка звучания ещё не завершена. Ограничения включают одного диктора, библейский стиль обучающих записей, уплощение просодии и смешение некоторых гласных в повседневной речи. Лицензия CC-BY-NC-4.0 допускает только некоммерческое использование.

Сценарии применения

  • синтез речи на асанте-тви для исследовательских экспериментов
  • создание демонстрационных аудиозаписей на акан
  • воспроизведение базового эксперимента по дообучению TTS для малоресурсного языка

Ограничения

В оценке README модель уступает базовой facebook/mms-tts-aka по CER и WER; оценка носителями языка ещё не завершена. Обучение основано на речи одного диктора в библейском регистре, поэтому в повседневной речи возможны уплощение просодии и смешение гласных; лицензия ограничивает использование некоммерческими целями.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AkanTwi-MMS: Asante Twi Text-to-Speech — original fine-tune (research baseline)

Single-speaker Asante Twi (Akan) TTS: VITS checkpoint fine-tuned from Meta's facebook/mms-tts-aka on 9.09 h (6,360 clips post-filter) of one professional narrator from GhanaNLP's ghana-speech (Bible register), 11,940 optimizer steps, Colab T4.

Repo role: this is the ORIGINAL fine-tune, kept as the research baseline. An independent review found it less intelligible than its base model on every objective test (table below). A gentler retrain (lower LR, fewer epochs) recovered 39% of the regression — that variant lives at Dickson32-cell/akan-twi-mms-gentle. If you need working Akan TTS today, start with the base model.

Model Details

  • Developed by: Abdul Rashid Dickson (RAMEDIC Consultancy & Creative Ltd)
  • Model type: VITS — single-stage conditional VAE with adversarial learning, text→waveform end-to-end (MMS-TTS variant, character-level Akan tokenizer, 30-symbol vocab; 83M parameters, 16 kHz)
  • Language(s): Asante Twi (Akan macro-language, ISO 639-3 aka)
  • Finetuned from: facebook/mms-tts-aka
  • License: CC-BY-NC-4.0 (inherited: checkpoint, dataset and judge are all CC BY-NC 4.0 — non-commercial use only)
  • Model DOI: 10.57967/hf/10778

Model Sources

  • Repository: https://github.com/Dickson32-cell/akan-tts-asante (own code: normalizer + test suite, corpus selection/dedup methodology, eval design, environment patches)
  • Technical report: "Fine-tuning Massively Multilingual Speech Models for Asante Twi Text-to-Speech" (Oct 2026, submission document; ships with the artifact package)
  • External review: "Akan TTS Fine-tune Review" (Oct 9, 2026) — the audit whose evaluation this card reproduces

Training Data (selection funnel, executed run)

143,383 ghana-speech segments (200.02 h) → − 874 digit-prefix chapter headers → − 784 under-3-letter rows → − 49,956 outside the 2.0–12.0 s window → − 30,853 duplicate normalized texts → 60,916 unique rows (84.95 h) → single recording tradition (.1461/.1861 only; .2094 is a second narrator — kept out for purity) → 43.11 h across 60 books → 200 eval clips reserved first (seed 1234) → 9.09 h train budget: 6,402 clips, 42 lost to the harness's own length filter (6,360 trained).

  • Narrator: single professional male reader; Bible-domain text
  • Dialect: Asante Twi (untone-marked orthography)
  • Consent/licence: dataset ships CC BY-NC 4.0 per GhanaNLP's card; no speaker was solicited for TTS use by this project

Training Procedure

ylacombe/finetune-hf-vits (MIT), 30 epochs = 11,940 steps, batch 16, LR 2e-4 (cosine, 2% warmup), Adam β=(0.8, 0.99), weight decay 0.01, loss weights mel 35 / disc 3 / KL 1.5 / duration 1 / fmaps 1 / gen 1, fp16, seed 456, 4.07 h wall clock on a Tesla T4 (Colab free tier), hub_strategy=checkpoint mirroring during the run. Checkpoints every 1,000 steps.

Convergence evidence: at run time no log survived the session (the audit's finding #1); this repo now hosts the recovered evidence set: losses.csv, loss_curve.png, convergence_summary.json from the re-instrumented tooling. The subsequent run publishes these automatically.

Environment hardening (documented as contribution): transformers pinned 4.49 (Colab 5.x drops harness-required config attrs); datasets pinned 3.2.0 (4.x/5.x route audio through torchcodec-FFmpeg and break WAV); harness loader patched to load_from_disk (format-inference crash on per-split formats); float-slice int-cast (Python 3.13); matplotlib buffer_rgba; single-process preprocessing. All syntax-verified and idempotent (scripts/patch_harness_v2.py).

Evaluation

Judge: Meta MMS-1b-all CTC ASR + Akan adapter (load_adapter('aka')), integrity-checked (0 non-finite tensors of 1,096). Judge bias caveat: judge descends from the same Meta MMS family as the base model; its behaviour on Bible-domain text may favour the base model's phonetics — not ruled out. Mismatched-text control CER 0.92–1.04 across models = the judge discriminates matched from mismatched pairs.

10 unseen everyday-Twi prompts, seed 33:

Model (noise 0.667)CERWER
Base facebook/mms-tts-aka0.0880.319
This original fine-tune0.3240.769
Gentle retrain (see -gentle repo)0.2320.662

At noise 1.0: base 0.107 / original 0.424 / gentle 0.315.

Interpretation: on this judge this checkpoint remains far above its base and above the gentle retrain; it is retained (not deleted) as the documented baseline that the improvement claim is measured against. Human listening panel (5–12 native listeners, blind kit in repo) still pending — ASR numbers are the objective, reproducible layer, not the perceptual gold standard.

Environmental Impact (estimate, Lacoste et al. 2019 formula)

Hardware: 1× Tesla T4 · ~4.07 h training + ~0.6 h evaluation · cloud region: US (Colab) · ≈ 0.02 kg CO₂e (estimate; T4 draws ~50–70 W, Ghana grid-intensity assumption documented in repo).

Limitations and Bias

  • Worse than its base model on the validated judge (see table) — do not use where the base suffices
  • Single narrator, Bible domain; everyday-domain outputs show prosody flattening and ɛ→e articulatory blur (measured: nea→niɛ confusions)
  • Untone-marked orthography → prosody is acquired implicitly, not tone-controlled
  • Short-clip metallic artifacts (<2 s rows, excluded by the duration window; residual breath insertions from the reading register)

Intended / Out-of-Scope Use

  • Research use: negative/ablation documentation, reproduction harness for low-resource TTS
  • Out of scope: commercial deployment (CC BY-NC 4.0), voice cloning of persons, tone-pair-critical applications, use beyond Akan text

How to Get Started

from transformers import VitsModel, VitsTokenizer
import torch, scipy.io.wavfile, numpy as np
model = VitsModel.from_pretrained("Dickson32-cell/akan-twi-mms")
tok = VitsTokenizer.from_pretrained("Dickson32-cell/akan-twi-mms")
inputs = tok(text="Mema wo akye, me nuanom. Wo ho te sɛn?", return_tensors="pt")
with torch.no_grad():
    wav = model(**inputs).waveform[0]
scipy.io.wavfile.write("out.wav", rate=model.config.sampling_rate, data=(wav.numpy()*32767).astype(np.int16))

Citation

@misc{akanTwimms2026,
  author = {Abdul Rashid Dickson},
  title  = {AkanTwi-MMS: Akan (Asante Twi) Text-to-Speech Model},
  year   = {2026},
  doi    = {10.57967/hf/10778},
  url    = {https://huggingface.co/Dickson32-cell/akan-twi-mms}
}

APA: Dickson, A. R. (2026). AkanTwi-MMS: Akan (Asante Twi) text-to-speech model. Hugging Face. https://doi.org/10.57967/hf/10778

Model Card Contact

Abdul Rashid Dickson — dicksonapam@gmail.com — https://github.com/Dickson32-cell/akan-tts-asante

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
c060b08

0 моделей