/ Модель

Характеристики

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

akan-twi-mms-gentle

Генерация аудиоТекст → аудио

Экспериментальная односпикерная модель VITS преобразует текст на асанте-тви в речь для исследований низкоресурсного синтеза.

42скачиваний 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

Это экспериментальная модель синтеза речи на асанте-тви, разработанная Abdul Rashid Dickson из RAMEDIC Consultancy & Creative Ltd. Модель VITS дообучена с нуля на базе facebook/mms-tts-aka и предназначена для преобразования текста на акан в речь. Это односпикерная модель с символьным токенизатором; в README указаны 16 кГц и 83 млн параметров, а в метаданных — 3,5 млн параметров. Из-за расхождения в оценках размера точный размер здесь не приводится.

На тесте с ASR-судьёй модель улучшила CER с 0,324 до 0,232 и WER с 0,769 до 0,662 относительно предыдущего варианта дообучения, но уступает базовой модели. Оценка основана на автоматическом распознавании; проверка носителями языка ещё не завершена. Модель подходит для исследований низкоресурсного синтеза речи и адаптации гиперпараметров. Лицензия CC-BY-NC-4.0 разрешает использование только на некоммерческих условиях.

Сценарии применения

  • синтез речи на асанте-тви
  • исследование дообучения моделей TTS для низкоресурсных языков
  • сравнение гиперпараметров обучения синтеза речи
  • методическое воспроизведение эксперимента по адаптации MMS-TTS

Ограничения

На тесте автоматического распознавания модель уступает базовой facebook/mms-tts-aka; проверка качества носителями языка ещё не завершена. Ограничения включают один голос, преимущественно библейский регистр и возможное смешение артикуляции ɛ и e; коммерческое применение не разрешено лицензией.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AkanTwi-MMS-gentle: Asante Twi Text-to-Speech — LR-reduced retrain (improvement variant)

Single-speaker Asante Twi (Akan) TTS: VITS checkpoint retrained from facebook/mms-tts-aka (not a continuation of the original) with gentler hyperparameters after an independent review found the first fine-tune regress. Measured improvement: CER 0.324 → 0.232 (−0.092, ~39% of the gap to base closed); WER 0.769 → 0.662 — same prompts, same judge, same seed discipline. Still above the base model (0.088) — see honest limitations.

Model Details

  • Developed by: Abdul Rashid Dickson (RAMEDIC Consultancy & Creative Ltd)
  • Model type: VITS (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)
  • Retrained from: facebook/mms-tts-aka
  • Companion repos: original baseline at akan-twi-mms (DOI 10.57967/hf/10778; the reviewed research baseline)
  • License: CC-BY-NC-4.0 (inherited: checkpoint, dataset and judge all CC BY-NC 4.0 — non-commercial only)

Model Sources

Training Data

Identical selection to the baseline (funnel documented in the companion card): 143,383 scanned → 60,916 unique → single narrator tradition → 9.09 h / 6,402 clips (6,360 post-harness-filter) + 200 reserved eval clips (seed 1234). Same narrator, same Bible register, Asante Twi, CC BY-NC 4.0.

Training Procedure (the "smaller change")

Same harness (ylacombe/finetune-hf-vits), same loss weights (mel 35 / disc 3 / KL 1.5 / duration 1 / fmaps 1 / gen 1), same data. Changes: learning rate 2e-4 → 1e-4, epochs 30 → 20 ⇒ 7,960 optimizer steps (vs 11,940), cosine schedule, warmup 2%, fp16, seed 456. Full fresh run in one Colab session (no resume), ~3.2 h wall clock, T4.

Convergence evidence (this repo's reason to exist): TensorBoard event logs parsed → losses.csv + loss_curve.png + convergence_summary.json committed here. Automated verdict computed from the summed-loss curve: oscillating (not stabilized) — typical late-run state for small-data adversarial TTS; the perceptual decision is made by the three-way evaluation, not the loss curve.

Environment hardening: identical pin set to the baseline (4.49 / 3.6-safe patches), plus new drift-guard patches for the October-2026 Colab image (datasets VideoReader torchvision import made optional; formatter isinstance-guards) — each compile-verified before write, all in the repo notebook.

Evaluation

Judge: MMS-1b-all + Akan adapter; mismatched-text controls 0.97–1.04 across all three models (judge proven discriminative). Seed 33 synthesis; both noise settings; identical prompts to every other measurement in this family.

Model (noise 0.667)CERWER
Base facebook/mms-tts-aka0.0880.319
Original fine-tune (11,940 steps)0.3240.769
This gentle retrain (7,960 steps)0.2320.662

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

Verdict: gentler fine-tuning improved the model on the validated judge, recovering ~39% of the distance to base. The residual gap is real — remaining levers, in planned order: freezing modules and training shorter (planned configs), expansion to the 43-h narrator pool, tone-aware G2P. A blind native-listener panel (repo kit, 5–12 listeners) remains pending and is still the ground-truth check.

Environmental Impact (estimate)

1× Tesla T4 · ~3.2 h · US region (Colab free tier) · ≈ 0.015 kg CO₂e (estimate).

Limitations and Bias

  • Above the base model on the validated judge: use for research/adaptation studies, not production Akan TTS where the base suffices
  • Same narrator/domain/prosody constraints as the baseline (Bible register, unmarked tone, ɛ→e articulatory blur under small acoustic budget)
  • Improvement is ASR-judge-measured; human listening evidence pending — do not cite this card as perceptual proof

Intended / Out-of-Scope Use

Research on fine-tune hyperparameter sensitivity for low-resource TTS; methodological replication. Out of scope: commercial deployment, voice cloning, tone-pair-critical applications.

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-gentle")
tok = VitsTokenizer.from_pretrained("Dickson32-cell/akan-twi-mms-gentle")
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{akanTwimmsGentle2026,
  author = {Abdul Rashid Dickson},
  title  = {AkanTwi-MMS-gentle: Asante Twi TTS (LR-reduced retrain)},
  year   = {2026},
  note   = {Improvement variant of akan-twi-mms (DOI 10.57967/hf/10778)},
  url    = {https://huggingface.co/Dickson32-cell/akan-twi-mms-gentle}
}

APA: Dickson, A. R. (2026). AkanTwi-MMS-gentle: Asante Twi text-to-speech (LR-reduced retrain). Hugging Face. https://huggingface.co/Dickson32-cell/akan-twi-mms-gentle

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
VitsModelForPreTraining
Ревизия весов
729e632

0 моделей