/ Модель

Характеристики

Лицензия
MIT
Архитектура
speecht5 · dense
Базовая модель
speecht5_finetuned_voxpopuli_nl
Библиотека
transformers
Опубликована
21 мар 2024

speecht5_finetuned_voxpopuli_hy

Синтез речиТекст → аудио3 профессии

Модель SpeechT5 преобразует восточноармянский текст в речь для озвучивания и экспериментов с синтезом армянской речи.

151скачиваний за 30 дней0лайковвеса обновлены4 июн 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

Edmon02 разработал эту модель синтеза речи на основе SpeechT5, дообучив её для восточноармянского языка на данных HyVoxPopuli и Common Voice. Она преобразует армянский текст в речь и подходит для синтеза аудиокниг, озвучивания и демонстраций, а также как отправная точка для дальнейшего дообучения. Архитектура — SpeechT5ForTextToSpeech; для генерации требуются 512-мерный вектор говорящего и внешний вокодер microsoft/speecht5_hifigan.

Обучающие данные охватывают около шести часов литературного повествования и двух дикторов, поэтому голос и стиль ограничены этим небольшим корпусом. Модель не предназначена для других языков без повторного обучения или для клонирования голоса в реальном времени без подходящих векторов говорящего. Лицензия — MIT.

Сценарии применения

  • синтез восточноармянской речи из текста
  • озвучивание армянских аудиокниг и литературных текстов
  • создание демонстраций армянского синтеза речи
  • дообучение модели TTS для армянского языка

Ограничения

Корпус небольшой и ориентирован на литературное повествование; представлены два диктора, поэтому разнообразие голоса и стиля ограничено. Для синтеза нужны подходящий 512-мерный вектор говорящего и внешний вокодер; без повторного обучения модель не рассчитана на другие языки.

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 — HyVoxPopuli (speecht5_finetuned_voxpopuli_hy)

Primary production checkpoint for Eastern Armenian text-to-speech. Fine-tuned SpeechT5 on HyVoxPopuli and related Armenian speech data.

TaskText-to-speech (TTS)
LanguageArmenian (hy-AM)
ArchitectureSpeechT5ForTextToSpeech
TokenizerCustom SentencePiece (spm_char.model, vocab 113)
Audio16 kHz mel → HiFi-GAN vocoder required
Speakers2 (use speaker embeddings at inference)

Model lineage

microsoft/speecht5_tts
  → Edmon02/speecht5_finetuned_hy (Common Voice 11)
  → Edmon02/speecht5_finetuned_voxpopuli_nl (intermediate)
  → Edmon02/speecht5_finetuned_voxpopuli_hy  ← you are here

For continued training with a larger vocabulary, use Edmon02/TTS_NB_2.

Quick start

import torch
import soundfile as sf
from datasets import load_dataset
from transformers import SpeechT5Processor, SpeechT5ForTextToSpeech, SpeechT5HifiGan

device = "cuda" if torch.cuda.is_available() else "cpu"
model_id = "Edmon02/speecht5_finetuned_voxpopuli_hy"

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

# Example speaker embedding from dataset (pick one speaker_id)
ds = load_dataset("Edmon02/hyvoxpopuli", split="train")
sample = ds[0]
speaker_embedding = torch.tensor(sample["speaker_embeddings"]).unsqueeze(0).to(device)  # if stored
# Or compute with SpeechBrain ECAPA — see project notebooks

inputs = processor(text="բարև, սա հայերեն խոսքի սինթեզի փորձ է։", return_tensors="pt")
inputs = {k: v.to(device) for k, v in inputs.items()}

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

sf.write("out.wav", spectrogram.cpu().numpy(), samplerate=16000)

Note: You must supply a speaker embedding (512-d) matching training. See projects/armenian-tts/notebooks/04_speecht5_hy.ipynb for the full inference pipeline.

Intended uses

  • Armenian TTS inference and demos
  • Fine-tuning starting point (prefer TTS_NB_2 for new tokenizer/vocab work)
  • Research on low-resource TTS

Out of scope

  • Real-time voice cloning without proper speaker embeddings
  • Languages other than Armenian without retraining
  • Production SLA without latency/quality benchmarking

Training data

  • Edmon02/hyvoxpopuli — literary Armenian narration (~6 h, 623 segments)
  • Common Voice hy-AM (notebooks) for augmentation
  • Filter empty normalized_text rows before training (82 rows unlabeled in v1)

Training (summary)

HyperparameterValue
Learning rate1e-5
Batch size (effective)32 (4 × 8 grad accum)
Steps~1000
OptimizerAdam
SchedulerLinear warmup (125 steps)
FrameworkTransformers 4.38, PyTorch 2.1

Full logs were in local runs/ (removed from Hub for cleanliness).

Limitations

  • Small domain: audiobook / literary style, 2 speakers
  • 13% of HyVoxPopuli clips have no text — filter at train time
  • Requires external vocoder (microsoft/speecht5_hifigan)
  • Misleading repo name (voxpopuli_*) — data is not EU parliament VoxPopuli audio

Related assets

AssetLink
DatasetEdmon02/hyvoxpopuli
Training checkpointEdmon02/TTS_NB_2
ONNX exportEdmon02/TTS_NB_ONNX
Vocodermicrosoft/speecht5_hifigan

Citation

@misc{armenian_speecht5_hy2024,
  author = {Avetisyan, Edmon},
  title = {Armenian SpeechT5 (HyVoxPopuli fine-tune)},
  year = {2024},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/Edmon02/speecht5_finetuned_voxpopuli_hy}}
}

License

MIT (model card). Dataset: CC-BY-4.0. Microsoft SpeechT5 weights subject to original license.

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
a514db8

0 моделей