/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
VoxCPM2
Библиотека
voxcpm
Опубликована
28 июн 2026

VoxCPM2-Yoruba

Синтез речиТекст → аудио3 профессии

Экспериментальная модель LyngualLabs синтезирует речь на йоруба и в сочетании йоруба с английским, поддерживая клонирование и создание голоса.

20скачиваний за 30 дней2лайкавеса обновлены28 июн 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

VoxCPM2-Yoruba — экспериментальная модель синтеза речи от LyngualLabs, полученная полным дообучением openbmb/VoxCPM2. Она преобразует текст на йоруба и смешанный текст на йоруба и английском в речь; поддерживает клонирование голоса по короткому аудиофрагменту с расшифровкой и создание голоса по текстовому описанию. В основе лежит VoxCPM2 с 2 млрд параметров; обучение проведено на примерно 102 часах многоязычных и спонтанных записей с частотой 16 кГц.

Модель предназначена для синтеза речи на йоруба, в том числе с переключением на английский. Это ранняя экспериментальная версия: возможны ошибки произношения и тонов, артефакты и ухудшение качества на длинных текстах и текстах с большим количеством чисел. При обучении на нескольких голосах для стабильного воспроизведения конкретного голоса рекомендуется передавать эталонную запись; дообучение также снизило способность базовой модели работать с другими языками. Лицензия — Apache-2.0.

Сценарии применения

  • озвучивание текста на йоруба
  • синтез смешанной речи на йоруба и английском
  • клонирование голоса по короткой записи и расшифровке
  • создание голоса по текстовому описанию
  • озвучивание спонтанной речи на йоруба

Ограничения

Экспериментальная версия может ошибаться в произношении и тонах, создавать артефакты и хуже справляться с длинным текстом или большим количеством чисел. Модель специализирована на йоруба, поэтому её способность работать с другими языками ограничена по сравнению с базовой моделью.

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

VoxCPM2-Yoruba (Experimental)

⚠️ Experimental research model. An early full fine-tune of VoxCPM2 for Yoruba and Yoruba–English code-switched speech. Promising but not production-grade — expect occasional mispronunciations, tone errors, and artifacts.

A Yoruba text-to-speech model from LyngualLabs, full fine-tuned from openbmb/VoxCPM2 — a 2B, tokenizer-free, voice-cloning TTS. It speaks Yoruba in native script, including code-switching with English, with no G2P / espeak / language tags.

Why

VoxCPM2 ships 30 languages but not Yoruba. Adapting a new language is a high-rank change, so LoRA plateaued; this is the full fine-tune (all 2B weights) that installs Yoruba phonetics and tones.

Training data

SourceHoursNotes
YECS (LyngualLabs)~95 hYoruba–English code-switch, multi-speaker, 16 kHz
WAXAL Yoruba (google/WaxalNLP)~7.5 hspontaneous
Total~102 hpooled, 16 kHz

Training

  • Method: full fine-tuning (all weights), not LoRA
  • Base: openbmb/VoxCPM2 (2B) · Steps: 5000 (selected at the validation-loss minimum)
  • LR: 1e-5 cosine · Effective batch: 32 (bs 4 × grad-accum 8) · bf16
  • Hardware: single NVIDIA RTX 6000 Blackwell (96 GB)

Usage

A voice-cloning model: give a short reference clip + its transcript, and it speaks your text in that voice — or use voice-design (a text description, no reference).

# pip install git+https://github.com/OpenBMB/VoxCPM.git
from huggingface_hub import snapshot_download
from voxcpm import VoxCPM
import soundfile as sf

model_dir = snapshot_download("LyngualLabs/VoxCPM2-Yoruba")
model = VoxCPM.from_pretrained(model_dir, load_denoiser=False)

# --- voice cloning: a reference clip + its exact transcript ---
wav = model.generate(
    text="Mo fẹ́ learn how to code, ṣùgbọ́n mi ò mọ programming language wo ló make sense.",
    prompt_wav_path="reference.wav",
    prompt_text="Ìròyìn ti sọ pé the government will ensure electricity tariff goes down ní January.",
    cfg_value=2.0,
    inference_timesteps=22,
)
sf.write("output.wav", wav, model.tts_model.sample_rate)

# --- or voice-design (no reference): prepend a voice description in parentheses ---
wav = model.generate(
    text="(A young Nigerian woman, clear voice) Ẹ kú àárọ̀, ẹ jọ̀ọ́ ẹ jẹ́ ká bẹ̀rẹ̀ ìpàdé.",
    cfg_value=2.0,
    inference_timesteps=22,
)
sf.write("voice_design.wav", wav, model.tts_model.sample_rate)

Tips: raise inference_timesteps (20–25) for smoother audio; cfg_value higher sticks closer to the reference.

Audio samples

Synthesized by this model (step 5000) — code-switched Yoruba–English, cloned from a single reference voice.

If rain falls tomorrow, jọ̀ọ́ rántí láti mú umbrella àti raincoat.

Ìròyìn ti sọ pé the government will ensure electricity tariff goes down ní January.

Ẹ̀gbọ́n mi tó ń ṣiṣẹ́ ní bank ti gba promotion, we're all so so happy.

Mo fẹ́ learn how to code, ṣùgbọ́n mi ò mọ programming language wo ló make sense.

Wọ́n ní ìpàdé ní hotel tó wà ní Victoria Island, kì í ṣe ní office wa.

Diverse voices

The same model can render different voices via voice-design (a text description, no reference clip):

Woman — Wọ́n ní ìpàdé ní hotel tó wà ní Victoria Island, kì í ṣe ní office wa.

Young man — Mo fẹ́ learn how to code, ṣùgbọ́n mi ò mọ programming language wo ló make sense.

Energetic — Ẹ̀gbọ́n mi tó ń ṣiṣẹ́ ní bank ti gba promotion, we're all so so happy.

Limitations

  • Experimental — not production quality; errors increase on long / number-heavy text.
  • Multi-speaker training — use a reference clip for a consistent voice.
  • Specialized to Yoruba — full FT trades the base's other-language ability for Yoruba.
  • Reflects the spontaneous + code-switched style of its training data.

Credits & license

Base: OpenBMB/VoxCPM2 (Apache-2.0) · Data: YECS (LyngualLabs), WAXAL (google/WaxalNLP) · Part of the WAXAL speech effort · Apache-2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · voxcpm

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
13cea44

0 моделей