/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
omnivoice · dense
Базовая модель
OmniVoice
Библиотека
omnivoice
Опубликована
22 апр 2026

omnivoice-amharic

Синтез речиТекст → аудио3 профессии

Модель синтезирует амхарскую речь из текста и умеет создавать её голосом, заданным коротким аудиопримером.

408скачиваний за 30 дней13лайковвеса обновлены11 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

OmniVoice Amharic — модель синтеза речи, разработанная участниками инициативы Voices For All и дообученная на базе k2-fsa/OmniVoice. Она преобразует текст в естественную амхарскую речь и поддерживает клонирование голоса по аудиозаписи длительностью около 10 секунд. Модель использует нед autoregressive дискретную диффузионную архитектуру; заявленный размер — 612,6 млн параметров. Базовая OmniVoice также поддерживает английский и китайский, однако эта версия обучалась на амхарских аудиоданных и прежде всего предназначена для амхарского языка.

Модель подходит для озвучивания текстов, создания речи голосом заданного говорящего и синтеза амхарской речи с учетом характерных согласных, геминации и интонации. В карточке перечислены данные из нескольких амхарских речевых корпусов и заявлена поддержка диалектных вариантов, хотя обучающие данные смещены в сторону аддис-абебского произношения. Лицензия — Apache 2.0.

Известные ограничения: в обучающих данных преобладают мужские голоса, сельские акценты представлены слабее, а переключение между амхарским и английским, числительные и даты могут произноситься непредсказуемо. Эмоциональный диапазон ограничен нейтральной и новостной манерой; количественные результаты оценки в карточке пока не опубликованы.

Сценарии применения

  • озвучивание текстов на амхарском языке
  • клонирование голоса амхарского диктора по короткой записи
  • создание новостной озвучки на амхарском
  • синтез речи с аддис-абебским и другими представленными эфиопскими диалектами

Ограничения

Обучающие данные смещены в сторону мужских голосов и аддис-абебского произношения; сельские акценты представлены слабее. Переключение языков, числительные и даты могут обрабатываться непредсказуемо, а эмоциональный диапазон ограничен нейтральной и новостной речью.

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

OmniVoice Amharic — Open Voice AI for 60M Speakers

Part of Voices For All — an open initiative to build speech AI for every language, starting with those left behind by Big Tech.

This is the highest-quality open Amharic TTS model available today. It generates natural, expressive speech from text and can clone any speaker's voice from a 10-second audio sample.


🚀 Quick Try (No Install)

Live Demo: Try it in your browser →


📊 At a Glance

LanguagesAmharic (primary), English, Chinese (base model)
ArchitectureNon-autoregressive discrete diffusion
Parameters612.6M (Qwen3-0.6B + HiggsAudioV2, 8 codebooks)
Training data~81,731 samples / ~331 hours
Best loss3.9518 (step 10,000 / 12,000)
LicenseApache 2.0
Inference costRuns on free Google Colab T4 (~3GB VRAM)
Voice cloningZero-shot, 10s reference audio

🎯 What Makes This Special

1. Actually Sounds Like Amharic

Most "multilingual" TTS models (MMS, XTTS) produce Amharic that sounds robotic or mispronounces ejective consonants (ጠ, ጰ, ጸ, ፀ, ቸ, ጨ). This model was trained exclusively on Amharic audio and preserves:

  • Correct ejective / glottalic consonant articulation
  • Natural prosody and rhythm (not English rhythm overlaid on Amharic words)
  • Gemination (double consonants: ሀበተ vs ሀብቴ)
  • Pitch patterns for questions vs statements

2. Voice Cloning Works

Give it 10 seconds of any Amharic speaker and it will synthesize new sentences in that voice. Tested on:

  • Male/female voices
  • Formal news-reading style
  • Casual conversational style
  • Different Ethiopian dialects (Addis Ababa, Gondar, Wollo)

3. Open Everything

  • ✅ Open weights (Apache 2.0)
  • ✅ Open training code
  • ✅ Open datasets (or documented sources)
  • ✅ Open benchmarks (we publish MOS scores)
  • ✅ No API keys, no cloud lock-in

🛠️ Quick Start — Colab

Open In Colab

# Cell 1: Install
!pip install -q omnivoice soundfile

# Cell 2: Load model
import torch
from omnivoice import OmniVoice, OmniVoiceGenerationConfig

model = OmniVoice.from_pretrained(
    "african-low-resource/omnivoice-amharic",
    device_map="cuda:0",
    dtype=torch.float16,
)

# Cell 3: Generate speech
text = "ሰላም፣ እንኳን ደህና መጣችሁ። ይህ የአማርኛ ንግግር ሙከራ ነው።"
audio = model.generate(
    text=text,
    language="Amharic",
    generation_config=OmniVoiceGenerationConfig(num_step=32, guidance_scale=2.0),
)

import soundfile as sf
sf.write("output.wav", audio[0], 24000)
print("✅ Saved to output.wav")

Voice Cloning

# Upload a 10-second reference WAV
prompt = model.create_voice_clone_prompt(ref_audio="speaker.wav", ref_text=None)

audio = model.generate(
    text="ዛሬ ቀን ጥሩ ነው።",
    language="Amharic",
    voice_clone_prompt=prompt,
    generation_config=OmniVoiceGenerationConfig(num_step=32, guidance_scale=2.0),
)
sf.write("cloned.wav", audio[0], 24000)

📈 Training Details

ParameterValue
Base modelk2-fsa/OmniVoice
BackboneQwen3-0.6B (636M params)
Audio tokenizerHiggsAudioV2 (8 codebooks, 1025 vocab)
Learning rate2e-5
LR scheduleCosine
Max steps12,000
Epochs~10
Batch tokens28,672
Precisionbf16
Codebook weights[8, 8, 6, 6, 4, 4, 2, 2]
Best loss3.9518 @ step 10,000

Datasets

DatasetHoursRole
google/WaxalNLP~200hCore corpus
gheero-Leyu/leyu-amharic-addis-ababa-dialect~50hDialect diversity
surafelabebe/amharic_clear_audio_tts~40hClean TTS data
chappM/amharic-bdu-asr~41hASR-aligned quality
Total~331h

Training History

RunStepsBest LossNotes
10→1,500~4.15Init from v3
21,500→6,0003.9994 (step 4,190)Storage issue lost checkpoints
32,700→12,0003.9518 (step 10,000)Final best

🧪 Evaluation

We evaluate on a held-out test set (10% of combined data, never seen in training).

Objective Metrics

MetricValueComparison (MMS-TTS-amh)
Mel-Cepstral Distortion (MCD)TBDTBD
F0 RMSETBDTBD
Character Error Rate (ASR-back)TBDTBD

Subjective Metrics (MOS)

CriterionScore (1-5)N evaluators
NaturalnessTBDTBD
Speaker similarity (cloning)TBDTBD
Ejective consonant accuracyTBDTBD
Prosody / rhythmTBDTBD

Subjective evaluation in progress. Results will be published here and in our benchmark repo.


🔮 Roadmap

This model is Phase 1 of a larger pan-African initiative:

  • Amharic (East Africa, 60M speakers) — TTS + voice cloning ✅
  • Wolof (West Africa, 12M speakers) — TTS + voice cloning (Q3 2026)
  • Hausa (West Africa, 90M speakers) — TTS (Q4 2026)
  • Swahili (East Africa, 200M speakers) — TTS + ASR (Q1 2027)
  • Somali (Horn of Africa, 20M speakers) — TTS (Q2 2027)
  • Self-service fine-tuning toolkit for any language with 50h+ audio

Follow Voices For All for updates.


⚠️ Limitations & Biases

  1. Gender representation: Training data skews male (65%). Female voices may sound less natural.
  2. Dialect coverage: Heavy Addis Ababa bias. Rural Ethiopian accents (Tigray, Harar, Sidama) are underrepresented.
  3. Code-mixing: Switching mid-sentence between Amharic and English is unpredictable.
  4. Numerals/dates: Amharic calendar dates and large numbers sometimes mispronounce.
  5. Emotional range: Neutral/news-reading style only. No whisper, shouting, or singing.

We actively seek more diverse training data. If you have Amharic audio recordings (any dialect, any speaker), contact us.


🤝 Citation

@software{omnivoice_amharic_2026,
  author = {demeleww and Voices For All},
  title = {OmniVoice Amharic: Open Voice AI for 60M Speakers},
  year = {2026},
  url = {https://huggingface.co/african-low-resource/omnivoice-amharic},
  license = {Apache-2.0}
}

Base model:

@article{omnivoice2026,
  title={OmniVoice: High-Quality Voice Cloning TTS for 600+ Languages},
  journal={arXiv preprint arXiv:2604.00688},
  year={2026}
}

📬 Contact


Built with ❤️ for the 60M+ Amharic speakers who deserve a voice in AI.

Как запустить

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

GPU в ailist

Универсальный рантайм · omnivoice

Нельзя запустить

Архитектура omnivoice неизвестна transformers в образе рантайма.

Класс архитектуры
OmniVoice
Ревизия весов
76d53b1

0 моделей