/ 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-pseudo-ipa

Генерация аудиоТекст → аудио3 профессии

Экспериментальная многоголосая VITS-модель синтезирует речь на бамбарском языке из текста с предварительным преобразованием в псевдо-IPA.

14скачиваний 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 экспериментальную многоголосую модель синтеза речи на основе VITS для языка бамбара. Модель дообучена от ylacombe/vits-vctk-with-discriminator на корпусе спонтанной речи RobotsMali/afvoices-notag; опубликованный чекпойнт содержит 3,5 млн параметров и предназначен для инференса. Перед токенизацией бамбарскую орфографию нужно преобразовать специальным эвристическим преобразователем в псевдо-IPA: токенизатор сам этого не делает. Лицензия — CC BY 4.0.

Модель предназначена прежде всего для экспериментов с синтезом речи на малоресурсном языке, представлением текста и дальнейшим дообучением. Она обучалась 200 эпох на небольшом шумном наборе спонтанной речи, без формальной оценки качества; авторы сообщают, что заметного улучшения от псевдо-IPA не наблюдали. Возможны шумный или неразборчивый звук, ошибки произношения и просодии, а также проблемы с числами, сокращениями, переключением языков, иностранными словами и длинным текстом. Модель не предназначена для производственного или критически важного использования.

Сценарии применения

  • эксперименты по синтезу речи на бамбарском языке
  • сравнение орфографического и псевдофонетического ввода для TTS
  • исследования переноса VITS на малоресурсные языки
  • дальнейшее дообучение модели на бамбарской речи

Ограничения

Чекпойнт существенно недообучен, формальной оценки качества нет; речь может быть шумной, неразборчивой, с ошибками произношения и просодии. Эвристический псевдо-IPA преобразователь не является полноценной фонетической транскрипцией и может давать сбои на числах, сокращениях, код-свитчинге, иностранных словах и длинном тексте.

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 — pseudo-IPA experiment

RobotsMali/bam-vits-pseudo-ipa is an experimental 20-speaker Bambara VITS checkpoint from RobotsMali AI4D Lab. It differs from RobotsMali/bam-vits in its text input representation, not its VITS architecture: Bambara spelling is converted by a deterministic pseudo-IPA cleaner before tokenization.

Research checkpoint — substantially undertrained. The model is substantially undertrained. It received 200 epochs on a small, noisy corpus, far below the hundreds of thousands of optimizer steps normally used for VITS (approximately 200,000 is our reference budget). No formal evaluation is available; expect unstable, noisy, or unintelligible output.

Research question and finding

The experiment tested whether IPA-like inputs would improve quality or convergence when adapting an English checkpoint trained with English phonetic inputs. We observed no remarkable improvement. Plain-orthography checkpoints often sounded slightly more natural. Bambara orthography is already largely phonetic, and the large Bambara–English acoustic difference likely gave the transferred HiFi-GAN-style generator little useful guidance from either spelling scheme. This is an informal result from undertrained models, not a controlled conclusion.

Usage

The tokenizer does not perform pseudo-IPA conversion itself. Apply the same function used in training before every inference request:

import re


def clean_bambara_pseudo_ipa(text):
    """
    Translates pure Bambara text into pseudo-IPA form.
    Normalizes nasalizations and specific consonants (c -> tʃ, j -> dʒ).
    """
    if not text or not isinstance(text, str):
        return ""

    text = text.lower()

    nasal_map = {
        "aan": "ãã", "ɛɛn": "ɛ̃ɛ̃", "een": "ẽẽ", "iin": "ĩĩ",
        "ɔɔn": "ɔ̃ɔ̃", "oon": "õõ", "uun": "ũũ", "an": "ã",
        "ɛn": "ɛ̃", "en": "ẽ", "in": "ĩ", "ɔn": "ɔ̃", "on": "õ",
        "un": "ũ",
    }
    for ortho, ipa in nasal_map.items():
        text = re.sub(rf"{ortho}(?![aeɛioɔu])", ipa, text)

    sound_alignments = {"j": "dʒ", "c": "tʃ", "ɲ": "ɲ", "ŋ": "ŋ"}
    for b_char, ipa_char in sound_alignments.items():
        text = text.replace(b_char, ipa_char)

    text = re.sub(r"[^a-zɛɔɲŋãẽĩõṹ̀̂̌̄\s.,!?ʃʒ]", "", text)
    return re.sub(r"\s+", " ", text).strip()
import soundfile as sf
import torch
from transformers import AutoTokenizer, VitsModel

repo_id = "RobotsMali/bam-vits-pseudo-ipa"
text = clean_bambara_pseudo_ipa("An ka taa sugu la.")
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = VitsModel.from_pretrained(repo_id)
inputs = tokenizer(text, return_tensors="pt")

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

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

Use speaker IDs 0–19. Their mapping to original AfVoices participant IDs was not exported and should not be treated as identity metadata.

Training

The model was initialized from ylacombe/vits-vctk-with-discriminator and trained on the 21,253-train/1,128-test top20-speakers split of RobotsMali/afvoices-notag. This is spontaneous, variably noisy ASR speech, not studio TTS data. Transcripts with semantic/acoustic tags were excluded.

The configuration is config/bam-vits-pseudo-ipa.yaml: 200 epochs, per-device batch size 80, learning rate 0.0005, FP16, 0.2–20-second audio, maximum 450 tokens, and seed 789. Audio was resampled to 22.05 kHz. The published checkpoint is inference-only VitsModel; its discriminator was removed.

Intended use and limitations

This is a baseline for research into Bambara text representations, low-resource transfer, and continued fine-tuning—not a production voice. No MOS, intelligibility, pronunciation, speaker-similarity, safety, bias, memorization, or voice-similarity evaluation was performed. The dataset and short training can yield noise, poor prosody, pronunciation errors, speaker leakage, and demographic imbalance. The cleaner is only a heuristic: it is not a linguistic IPA transcription or a complete grapheme-to-phoneme system. Numbers, abbreviations, code-switching, foreign words, unusual punctuation, and long/non-Bambara text may fail.

Do not use the model for safety-critical speech, impersonation, or deceptive audio. Disclose synthetic use and verify all output by listening.

Related resources

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
4e3fc35

0 моделей