/ Модель

Характеристики

Параметры
3,5 млн
Лицензия
CC BY-NC 4.0
Архитектура
vits · dense
Базовая модель
mms-tts-swh
Опубликована
21 июл 2026

TTSModel

Синтез речиТекст → аудио3 профессии

Модель VITS преобразует текст на суахили в синтетическую речь для экспериментов и прототипов озвучивания.

50скачиваний за 30 дней0лайковвеса обновлены3 авг 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

MCAA1-MSU/TTSModel — модель синтеза речи на суахили, разработанная Maseno Centre for Applied AI на основе дообучения чекпойнта Meta MMS-TTS Swahili. Она использует архитектуру VITS и принимает текст, выдавая аудио с частотой дискретизации 16 кГц.

Модель предназначена для экспериментов и исследований синтеза речи на суахили, например для озвучивания фраз и прототипов голосовых интерфейсов. При дообучении использована часть датасета google/WaxalNLP: около 800 обучающих высказываний одного диктора после фильтрации; обучение описано на шаге 4 500 из запланированных 20 200.

Ограничения включают зависимость от одного диктора и небольшого набора данных, поэтому качество может снижаться на разных диалектах, акцентах и стилях речи. Формальной оценки качества нет; по выборочным прослушиваниям речь разборчива, но пока грубая. Лицензия — CC-BY-NC-4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Сценарии применения

  • синтез речи на суахили из текста
  • озвучивание фраз на суахили
  • прототипирование голосового интерфейса на суахили

Ограничения

Модель обучена на небольшом наборе записей одного диктора и может плохо обобщаться на разные диалекты, акценты и стили речи. Формальной оценки качества нет; выборочные проверки показывают разборчивый, но грубый результат.

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

TTSModel — Swahili TTS

A Swahili text-to-speech model, finetuned from Meta's MMS-TTS Swahili checkpoint on the swa_tts split of google/WaxalNLP, using the VITS finetuning recipe from ylacombe/finetune-hf-vits. Developed by the Maseno Centre for Applied AI (MCAAI).

Model details

  • Base model: facebook/mms-tts-swh (Meta's Massively Multilingual Speech TTS, Swahili)
  • Architecture: VITS (single-speaker)
  • Training data: google/WaxalNLP, swa_tts config — 1,387 train utterances (805 after duration/length filtering), single Swahili speaker, 16kHz audio, sourced via the Loud & Clear initiative.
  • Training checkpoint: step 4,500 / 20,200 planned steps
  • Sample rate: 16,000 Hz
  • Language: Swahili (swh / ISO 639-3)

Training configuration

SettingValue
Learning rate2e-5
Batch size8
Precisionfp16
Max clip duration20s
Min clip duration0.5s
Loss weightsmel=35, kl=1.5, disc=3, gen/fmaps/duration=1

Training used the finetune-hf-vits recipe with transformers==4.35.1, datasets==2.14.7, accelerate==0.24.1, numpy<2.0.

Usage

import numpy as np
from transformers import pipeline
from IPython.display import Audio as IPyAudio

synthesiser = pipeline("text-to-speech", model="MCAA1-MSU/TTSModel")
speech = synthesiser("Habari yako, karibu Kenya.")

audio = np.squeeze(speech["audio"])
display(IPyAudio(audio, rate=speech["sampling_rate"]))

Verified loading cleanly with transformers pipeline("text-to-speech", ...) — no missing/unexpected weight warnings on load.

Intended use

Research and experimentation with Swahili TTS.

Limitations

  • Single speaker, single dataset: may not generalize well to varied Swahili dialects, accents, or speaking styles.
  • No formal evaluation yet: no MOS, WER, or MCD scores computed. Qualitative spot-checks suggest intelligible but rough output.
  • Small dataset: ~800 training utterances after filtering.

License

Derived from facebook/mms-tts-swh (CC-BY-NC-4.0, non-commercial). This finetuned model inherits that license. swa_tts training data is CC-BY-SA-4.0.

Acknowledgements

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
245c6f0

0 моделей