/ Модель

Характеристики

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

waxal_swahili-tts-mms

Синтез речиТекст → аудио3 профессии

Экспериментальная VITS-модель синтезирует речь на суахили из текста одним голосом.

71скачиваний за 30 дней0лайковвеса обновлены15 июл 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

Модель Mwau/waxal_swahili-tts-mms преобразует текст на суахили в синтетическую речь. Это дообученный чекпойнт Meta MMS-TTS на архитектуре VITS с одним голосом, созданный на данных google/WaxalNLP. Веса сохранены после 4 500 шагов из запланированных 20 200; размер модели — 3,5 млн параметров, частота дискретизации выходного аудио — 16 кГц.

Модель предназначена для экспериментов с синтезом суахили и переносом технологий TTS на языки с ограниченными ресурсами. Короткий этап обучения и небольшой набор данных дают разборчивую, но грубую речь: возможны неестественная просодия, артефакты, непостоянный темп и ошибки произношения. Модель обучена на записях одного диктора и может плохо переноситься на другие диалекты и манеру речи; формальных метрик качества нет. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое.

Сценарии применения

  • синтез речи на суахили из коротких текстов
  • озвучивание примеров и учебных фраз на суахили
  • эксперименты с TTS для языков с ограниченными ресурсами
  • исследование переноса и дообучения моделей синтеза речи

Ограничения

Это ранний чекпойнт после примерно 22 эпох из запланированных 200; возможны грубая просодия, артефакты, нестабильный темп и ошибки произношения. Модель обучена на небольшом наборе записей одного диктора, не оценивалась формальными метриками и может плохо обобщаться на другие акценты и диалекты.

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

waxal_swahili-tts-mms

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.

⚠️ Early checkpoint. This model is saved from step 4,500 of a planned 20,200-step (200-epoch) training run — roughly 22% through. Training was interrupted by free-tier Google Colab resource limits and is being continued on different hardware. Expect rough prosody and occasional mispronunciations. This card will be updated as training progresses.

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 (~22 epochs of ~805 examples)
  • 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 (this specific combination was required to avoid dependency-incompatibility crashes on Colab).

Usage

import numpy as np
from transformers import pipeline
import scipy.io.wavfile

synthesiser = pipeline("text-to-speech", model="Mwau/waxal_swahili-tts-mms")
speech = synthesiser("Habari yako, karibu Kenya.")

audio = np.squeeze(speech["audio"])  # squeeze extra dims before saving/playing
scipy.io.wavfile.write("output.wav", rate=speech["sampling_rate"], data=audio)

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

Intended use

Research and experimentation with Swahili TTS, particularly cross-lingual/low-resource TTS transfer techniques. Not yet suitable for production or user-facing applications given the early training stage.

Limitations

  • Undertrained: only ~22 epochs completed of a 200-epoch plan; expect unstable prosody, occasional artifacts, and inconsistent pacing.
  • Single speaker, single dataset: trained on one speaker's recordings from one dataset; may not generalize well to varied Swahili dialects, accents, or speaking styles.
  • No formal evaluation yet: no MOS, WER, or MCD scores have been computed for this checkpoint. Qualitative spot-checks against WAXAL's held-out test split suggest intelligible but rough output.
  • Small dataset: ~800 training utterances after filtering is a small corpus for TTS; may overfit to the training speaker's specific vocal characteristics.

License

This model is derived from facebook/mms-tts-swh, which is released under CC-BY-NC-4.0 (non-commercial). This finetuned model inherits that license. The swa_tts training data is released under 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
7e093cc

0 моделей