/ Модель

Характеристики

Контекст
600 токенов
Лицензия
MIT
Архитектура
speecht5 · dense
Базовая модель
speecht5_tts
Библиотека
transformers
Опубликована
13 окт 2024

turkish_finetuned_speecht5_tts

Генерация аудиоТекст → аудио3 профессии

Дообученная на турецкой речи модель SpeechT5 для синтеза аудио по тексту на турецком языке.

30скачиваний за 30 дней6лайковвеса обновлены22 окт 2024

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

Omarrran/turkish_finetuned_speecht5_tts — модель синтеза речи из текста, созданная дообучением Microsoft SpeechT5 на турецком речевом наборе данных erenfazlioglu/turkishvoicedataset. Она предназначена для озвучивания турецких текстов в приложениях доступности, обучающих сервисах, голосовых помощниках и системах объявлений. Модель использует архитектуру SpeechT5 и опубликована в формате Safetensors; в README приведены примеры синтеза и результаты обучения, включая снижение валидационной ошибки.

README сообщает об ускорении инференса после квантизации, однако метаданные этого репозитория указывают формат Safetensors и не подтверждают, что здесь размещена квантованная версия. Авторы README отмечают ограничения в разнообразии данных и фонетическом покрытии турецкой речи, а также необходимость дальнейшей оценки качества. Модель распространяется по лицензии MIT.

Сценарии применения

  • озвучивание турецких текстов
  • создание аудио для обучающих материалов на турецком языке
  • озвучивание интерфейсов и объявлений на турецком языке
  • генерация речи для голосовых помощников на турецком языке

Ограничения

Качество зависит от охвата турецкой фонетики и разнообразия обучающих записей; README указывает на ограничения данных и необходимость дальнейшей оценки. Заявления об ускорении после квантизации в README не подтверждаются форматом этой версии в метаданных.

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

TURKISH FINETUNED (REGIONAL)

Note:

This report was prepared as a task given by the IIT Roorkee PARIMAL intern program. It is intended for review purposes only and does not represent an actual research project or production-ready model.

Resource LinksEnglish Model📚 Model Report Card💻 GitHub RepoTurkish Model📚 Turkish Model Report Card💻 GitHub RepoQuantized Model📚 Quantizated Model

Turkish Fine-tuned SpeechT5 TTS Model Report

Introduction

Text-to-Speech (TTS) synthesis has become an increasingly important technology in our digital world, enabling applications ranging from accessibility tools to virtual assistants. This project focuses on fine-tuning Microsoft's SpeechT5 TTS model for Turkish language synthesis, addressing the growing need for high-quality multilingual speech synthesis systems.

DEMO

https://huggingface.co/spaces/Omarrran/turkish_finetuned_speecht5_tts

tranning CODE

https://github.com/HAQ-NAWAZ-MALIK/turkish_finetuned_speecht5_tts

Key Applications:

  • Accessibility tools for visually impaired users
  • Educational platforms and language learning applications
  • Virtual assistants and automated customer service systems
  • Public transportation announcements and navigation systems
  • Content creation and media localization

Methodology

Model Selection

We chose microsoft/speecht5_tts as our base model due to its:

  • Robust multilingual capabilities
  • Strong performance on various speech synthesis tasks
  • Active community support and documentation
  • Flexibility for fine-tuning

Dataset Preparation

The training process utilized a carefully curated Turkish speech dataset {erenfazlioglu/turkishvoicedataset}with the following characteristics:

  • High-quality audio recordings with native Turkish speakers
  • Diverse phonetic coverage
  • Clean transcriptions and alignments
  • Balanced gender representation
  • Various speaking styles and prosody patterns

Fine-tuning Process

The model was fine-tuned using the following hyperparameters:

  • Learning rate: 0.0001
  • Train batch size: 4 (32 with gradient accumulation)
  • Gradient accumulation steps: 8
  • Training steps: 600
  • Warmup steps: 100
  • Optimizer: Adam (β1=0.9, β2=0.999, ε=1e-08)
  • Learning rate scheduler: Linear with warmup

Results

Text: output: Merhaba, nasılsın?

İstanbul Boğazı'nda yürüyüş yapmak harika.

Bugün hava çok güzel. Merhaba, yapay zeka ve makine öğrenmesi konularında bilgisayar donanımı teşekkürler.

Objective Evaluation

The model showed consistent improvement throughout the training process:

  1. Initial validation loss: 0.4231
  2. Final validation loss: 0.3155
  3. Training loss reduction: from 0.5156 to 0.3425

Training Progress

EpochTraining LossValidation LossImprovement
0.450.51560.4231Baseline
0.910.41940.39367.0%
1.360.37860.337614.2%
1.820.35830.32902.5%
2.270.34540.31962.9%
2.730.34250.31551.3%

image/png

Subjective Evaluation

  • Mean Opinion Score (MOS) tests conducted with native Turkish speakers
  • Naturalness and intelligibility assessments
  • Comparison with baseline model performance
  • Prosody and emphasis evaluation

Challenges and Solutions

Dataset Challenges

  1. Limited availability of high-quality Turkish speech data
    • Solution: Augmented existing data with careful preprocessing
  2. Phonetic coverage gaps
    • Solution: Supplemented with targeted recordings

Technical Challenges

  1. Training stability issues
    • Solution: Implemented gradient accumulation and warmup steps
  2. Memory constraints
    • Solution: Optimized batch size and implemented mixed precision training
  3. Inference speed optimization
    • Solution: Implemented model quantization and batched processing

Optimization Results

Inference Optimization

  • Achieved 30% faster inference through model quantization
  • Maintained quality with minimal degradation
  • Implemented batched processing for bulk generation
  • Memory usage optimization through efficient caching

Environment and Dependencies

  • Transformers: 4.44.2
  • PyTorch: 2.4.1+cu121
  • Datasets: 3.0.1
  • Tokenizers: 0.19.1

Conclusion

Key Achievements

  1. Successfully fine-tuned SpeechT5 for Turkish TTS
  2. Achieved significant reduction in loss metrics
  3. Maintained high quality while optimizing performance

Future Improvements

  1. Expand dataset with more diverse speakers
  2. Implement emotion and style transfer capabilities
  3. Further optimize inference speed
  4. Explore multi-speaker adaptation
  5. Investigate cross-lingual transfer learning

Recommendations

  1. Regular model retraining with expanded datasets
  2. Implementation of continuous evaluation pipeline
  3. Development of specialized preprocessing for Turkish language features
  4. Integration of automated quality assessment tools

License

This project is licensed under the MIT License - see the LICENSE file for details.

Acknowledgments

  • Microsoft for the base SpeechT5 model
  • Contributors to the Turkish speech dataset
  • Open-source speech processing community

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
SpeechT5ForTextToSpeech
Ревизия весов
fbd9b5b

0 моделей