/ Модель

Характеристики

Контекст
600 токенов
Лицензия
MIT
Архитектура
speecht5 · dense
Базовая модель
speecht5_tts
Опубликована
1 янв 2024

speecht5_tts-finetuned-nst-da

Синтез речиТекст → аудио3 профессии

Дообученная на датском датасете NST-DA модель SpeechT5 синтезирует речь из короткого или среднего по длине датского текста.

20скачиваний за 30 дней7лайковвеса обновлены1 июн 2025

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 версия SpeechT5 для синтеза датской речи из текста, созданная JackismyShephard дообучением модели microsoft/speecht5_tts на датасете NST Danish ASR Database. Архитектура основана на SpeechT5; модель предназначена как простой вариант синтеза датской речи с приемлемым качеством и временем вывода. В оценке на тестовой выборке указана функция потерь 0,3692.

Модель принимает датский текст и выдаёт лог-мел-спектрограмму. Для получения звуковой волны требуется преобразовать её с помощью microsoft/speecht5_hifigan; при необходимости результат можно дополнительно улучшить. Для лучшего звучания рекомендуется датский эмбеддинг голоса, например построенный по аудиозаписи из обучающей части NST-DA. Модель распространяется по лицензии MIT.

Сценарии применения

  • синтез датской речи из текста
  • озвучивание коротких датских сообщений
  • создание голосовых версий датских текстов
  • генерация датской речи с заданным эмбеддингом голоса

Ограничения

Токенизатор не поддерживает символы æ, ø и å, поэтому их нужно заменять латинскими эквивалентами; вход рекомендуется ограничивать 600 токенами и короткими или средними текстами. Модель выдаёт лог-мел-спектрограмму, для преобразования которой в звук необходим SpeechT5 HiFi-GAN; качество зависит от подходящего эмбеддинга голоса.

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

Danish Speecht5_TTS finetuned

This model is a fine-tuned version of microsoft/speecht5_tts on the NST Danish ASR Database dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3692

Model description

Given that danish is a low-resource language, not many open-source implementations of a danish text-to-speech synthesizer are available online. As of writing, the only other existing implementations available on 🤗 are facebook/seamless-streaming and audo/seamless-m4t-v2-large. This model has been developed to provide a simpler alternative that still performs reasonable well, both in terms of output quality and inference time.

Additionally, contrary to the aforementioned models, this model also has an associated Space on 🤗 at JackismyShephard/danish-speech-synthesis which provides an easy interface for danish text-to-speech synthesis, as well as optional speech enhancement.

Intended uses & limitations

The model is intended for danish text-to-speech synthesis.

The model does not recognize special symbols such as "æ", "ø" and "å", as it uses the default tokenizer of microsoft/speecht5_tts. The model performs best for short to medium length input text and expects input text to contain no more than 600 vocabulary tokens. Additionally, for best performance the model should be given a danish speaker embedding, ideally generated from an audio clip from the training split of alexandrainst/nst-da using speechbrain/spkrec-xvect-voxceleb.

The output of the model is a log-mel spectogram, which should be converted to a waveform using microsoft/speecht5_hifigan. For better quality output the resulting waveform can be enhanced using ResembleAI/resemble-enhance.

An example script showing how to use the model for inference can be found here.

Training and evaluation data

The model was trained and evaluated on alexandrainst/nst-da using MSE as both loss and metric. The dataset was pre-processed as follows:

  • special characters, such as "æ", "ø" and "å" were translated to their latin equivalents and examples with text containing digits were removed, as neiher are in the vocabulary of the tokenizer of microsoft/speecht5_tts.
  • training split balancing was done by excluding speakers with less than 280 examples or more than 327 examples.
  • audio was enhanced using speechbrain/metricgan-plus-voicebank in an attempt to remove unwanted noise.

Training procedure

The script used for training the model (and pre-processing its data) can be found here.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 20
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation Loss
0.44451.094290.4100
0.41692.0188580.3955
0.4123.0282870.3882
0.39824.0377160.3826
0.40325.0471450.3817
0.39516.0565740.3782
0.39717.0660030.3782
0.3958.0754320.3757
0.39529.0848610.3749
0.383510.0942900.3740
0.386311.01037190.3754
0.384512.01131480.3732
0.378813.01225770.3715
0.383414.01320060.3717
0.389415.01414350.3718
0.384516.01508640.3714
0.382317.01602930.3692
0.385818.01697220.3703
0.391919.01791510.3716
0.390620.01885800.3709

Framework versions

  • Transformers 4.37.2
  • Pytorch 2.1.1+cu121
  • Datasets 2.17.0
  • Tokenizers 0.15.2

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
4e4fe8f

0 моделей