/ Модель

Характеристики

Параметры
3,5 млн
Лицензия
CC BY 4.0
Архитектура
vits · dense
Базовая модель
vits-vctk-with-discriminator
Библиотека
transformers
Опубликована
18 авг 2026

bam-vits

Генерация аудиоТекст → аудио3 профессии

Экспериментальная многоголосая VITS-модель синтезирует речь на бамбара из текста в латинской орфографии.

18скачиваний за 30 дней0лайковвеса обновлены3 сен 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

RobotsMali AI4D Lab разработала Bambara VITS — экспериментальную многоголосую модель синтеза речи на основе архитектуры VITS со стохастическим прогнозированием длительности и декодером формы волны в стиле HiFi-GAN. Модель содержит 3,5 млн параметров и адаптирует англоязычный чекпойнт ylacombe/vits-vctk-with-discriminator для бамбара (бамананкан). Это инференсный чекпойнт для Transformers; дискриминатор удалён.

Модель принимает текст на бамбара в латинской орфографии, приведённый к нижнему регистру, и генерирует речь с частотой дискретизации 22,05 кГц. В ней обучены 20 голосовых эмбеддингов, но их нельзя надёжно сопоставить с участниками датасета. Она предназначена для экспериментов с синтезом речи на малоресурсном языке, прослушивания, базовых сравнений и дальнейшего дообучения.

Чекпойнт существенно недообучен: он обучался 200 эпох на небольшом шумном наборе спонтанной речи, а объективная или человеческая оценка качества не проводилась. Возможны нестабильное произношение, шум, неестественная просодия, утечка характеристик голосов и неразборчивая речь. Лицензия — CC BY 4.0.

Сценарии применения

  • эксперименты с синтезом речи на бамбара
  • прослушивание синтетической речи на бамананкан
  • создание базового чекпойнта для сравнения систем TTS на малоресурсном языке
  • дальнейшее дообучение синтеза речи на бамбара

Ограничения

Модель существенно недообучена, объективно и людьми не оценивалась; возможны ошибки произношения, шум, неестественная просодия, утечка голосов и неразборчивая речь. Она может плохо обрабатывать числа, сокращения, иностранные слова, переключение языков, длинный текст и вход не на бамбара; идентификаторы голосов нельзя надёжно связать с участниками датасета.

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

Bambara VITS

RobotsMali/bam-vits is an experimental multi-speaker Bambara (Bamanankan, bm) text-to-speech checkpoint from RobotsMali AI4D Lab. It adapts VITS from ylacombe/vits-vctk-with-discriminator, an English VCTK checkpoint, to Bambara.

Research checkpoint — substantially undertrained. This was produced as RobotsMali's first TTS experiment. It was trained for 200 epochs on a small, noisy subset. VITS systems are normally trained for hundreds of thousands of optimizer steps; RobotsMali uses roughly 200,000 steps as a useful reference budget. This run is far below that scale. Expect unstable pronunciation, noise, unnatural prosody, speaker leakage, and occasional unintelligible output. No objective or human evaluation is available.

Model details

  • Architecture: VITS with stochastic duration prediction and a HiFi-GAN-style waveform decoder
  • Checkpoint: inference-only transformers.VitsModel; the discriminator was removed
  • Input: lowercased Bambara in Latin orthography; no phonemizer or uroman step
  • Audio: 22,050 Hz
  • Speakers: 20 learned embeddings
  • Code: RobotsMali-AI/vits-bam, adapted from ylacombe/finetune-hf-vits
  • Paper: Kim, Kong, and Son (2021)

The project upgrades the upstream dependencies while keeping its core training approach largely unchanged.

Usage

pip install "transformers>=5.9" torch soundfile
import soundfile as sf
import torch
from transformers import AutoTokenizer, VitsModel

repo_id = "RobotsMali/bam-vits"
text = "An ka taa sugu la."
speaker_id = 0  # valid range: 0 through 19

tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = VitsModel.from_pretrained(repo_id)
inputs = tokenizer(text.lower(), return_tensors="pt")

with torch.no_grad():
    waveform = model(**inputs, speaker_id=speaker_id).waveform[0]

sf.write("bambara.wav", waveform.cpu().numpy(), model.config.sampling_rate)

The training script remapped participant identifiers to contiguous indices without exporting that mapping. Model IDs 0–19 therefore cannot be reliably mapped back to named AfVoices participants. Audition them for research; do not present an ID as a verified identity.

Training

The model used top20-speakers from RobotsMali/afvoices-notag: 21,253 train and 1,128 test examples from the 20 AfVoices participants with the most utterances, excluding transcripts with semantic/acoustic tags. AfVoices is spontaneous, variably noisy speech collected for ASR rather than studio TTS.

The reproducible configuration is config/bam-vits.yaml.

SettingValue
Epochs200
Per-device train batch size80
Learning rate0.0005
PrecisionFP16
Audio duration filter0.2–20 s
Maximum token length450
Seed789

Vocabulary and speaker embeddings were resized. Text was lowercased and audio resampled to 22.05 kHz.

Evaluation and experimental finding

No MOS, intelligibility, pronunciation, speaker-similarity, or automated TTS results are reported. The held-out split was used during training, but losses are not perceptual evaluation.

Compared informally with bam-vits-pseudo-ipa, pseudo-IPA produced no remarkable improvement in quality or convergence; plain Bambara often sounded slightly more natural. RobotsMali's working explanation is that Bambara orthography is already largely phonetic and that the large English–Bambara acoustic mismatch gave the transferred waveform generator little useful English-phonetic guidance. This is an observation from an undertrained experiment, not a controlled conclusion.

Intended use, risks, and limitations

This release is for low-resource TTS research, listening experiments, baselines, and further fine-tuning. It is not production quality. The limited, non-studio corpus can cause noise, disfluencies, pronunciation errors, demographic imbalance, and speaker leakage. Numbers, abbreviations, foreign words, code-switching, unusual punctuation, long text, and non-Bambara input may fail. Safety, bias, memorization, and voice similarity have not been systematically evaluated.

Do not use it where intelligibility or identity is safety-critical, to impersonate a person, or to create deceptive audio. Use short Bambara sentences, listen critically, and disclose that output is synthetic and experimental.

Related checkpoints

Citation

Please cite VITS and identify this checkpoint by repository ID.

@inproceedings{kim2021vits,
  title={Conditional Variational Autoencoder with Adversarial Learning for End-to-End Text-to-Speech},
  author={Kim, Jaehyeon and Kong, Jungil and Son, Juhee},
  booktitle={Proceedings of the 38th International Conference on Machine Learning},
  pages={5530--5540},
  year={2021}
}

Questions are welcome in the project repository or this model's Community tab.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
97d6df5

0 моделей