/ Модель

Характеристики

Параметры
3,5 млн
Лицензия
CC BY 4.0
Архитектура
vits · dense
Базовая модель
bam-vits-pseudo-ipa
Библиотека
transformers
Опубликована
18 авг 2026

bam-vits-pseudo-ipa-fintech

Генерация аудиоТекст → аудио3 профессии

Исследовательская VITS-модель синтезирует речь на бамбаре по псевдо-IPA-тексту, с адаптацией на коротком наборе фраз о финансах и финтехе.

6скачиваний за 30 дней0лайковвеса обновлены4 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 разработала Bambara VITS — pseudo-IPA FinTech adaptation как исследовательскую адаптацию модели RobotsMali/bam-vits-pseudo-ipa для синтеза речи на бамбаре. Модель дообучена на 800 прочитанных предложениях о финансах, банковском деле и финтехе из одноголосого набора FinBamSpeech; архитектура VITS, размер — 3,5 млн параметров, частота аудио — 22,05 кГц. Чекпойнт в формате safetensors предназначен только для инференса, дискриминатор удалён.

Для ввода требуется применять точный обучающий cleaner, преобразующий текст в псевдо-IPA: токенизатор сам не обрабатывает обычную орфографию бамбара. Адаптация фактически одноголосая и безусловная; при инференсе следует опустить speaker_id. Модель подходит для экспериментов с низкоресурсным синтезом речи, представлением текста и адаптацией к финансовой тематике, но не для производственного применения или озвучивания финансовых рекомендаций. Обучение было коротким, формальной оценки качества нет; возможны шум, ошибки в числах и терминах, запоминание обучающих примеров и сбои на текстах вне домена или с переключением языков. Лицензия — CC BY 4.0.

Сценарии применения

  • эксперименты с синтезом речи на бамбаре
  • озвучивание коротких текстов о банковских услугах на бамбаре
  • сравнение псевдо-IPA и обычной орфографии для синтеза бамбара
  • исследование адаптации синтеза речи к низкоресурсному финансовому домену

Ограничения

Модель существенно недообучена и не проходила формальную оценку; малый узкотематический корпус может приводить к шуму, ошибкам произношения чисел и терминов, запоминанию данных и сбоям на переключении языков или текстах вне домена. Для инференса нужен точный обучающий cleaner, а speaker_id следует опустить.

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 FinTech adaptation

RobotsMali/bam-vits-pseudo-ipa-fintech continues training RobotsMali/bam-vits-pseudo-ipa on the higher-quality, single-speaker RobotsMali/finBamSpeech: 800 read Bambara sentences about finance, banking, and FinTech.

Research checkpoint — substantially undertrained. The base was undertrained, and this adaptation added only 150 epochs over 750 training examples with batch size 80. It remains far below the hundreds of thousands of optimizer steps typical for VITS (approximately 200,000 is our reference budget). No formal evaluation is available.

Usage

The tokenizer does not convert ordinary Bambara. Apply the exact training cleaner first:

import re


def clean_bambara_pseudo_ipa(text):
    """Translate Bambara text into the pseudo-IPA form used for training."""
    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)
    for b_char, ipa_char in {"j": "dʒ", "c": "tʃ", "ɲ": "ɲ", "ŋ": "ŋ"}.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-fintech"
text = clean_bambara_pseudo_ipa("Juru sarali waati sera.")
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = VitsModel.from_pretrained(repo_id)
inputs = tokenizer(text, return_tensors="pt")
with torch.no_grad():
    # Single-speaker adaptation omitted speaker conditioning during training.
    waveform = model(**inputs).waveform[0]
sf.write("fintech-bambara.wav", waveform.cpu().numpy(), model.config.sampling_rate)

Why num_speakers is still 20

The configuration retains the base model's 20-speaker table because the training script does not resize or reinitialize speaker embeddings when it detects exactly one target speaker. Preprocessing also adds speaker_id only when more than one speaker is present. FinBamSpeech batches therefore used speaker_id=None, causing VITS to bypass the embedding table during adaptation.

This is effectively an unconditioned single-speaker adaptation with multi-speaker metadata left in the config. The 20 rows are not 20 separately adapted FinTech voices. Direct inspection shows that the published rows are not bit-identical, although their variance is small and their conditioning is very similar. Omit speaker_id at inference to reproduce the training path.

Training and experiment

Training followed: English ylacombe/vits-vctk-with-discriminator → pseudo-IPA base on afvoices-notag (200 epochs, batch 80) → FinBamSpeech (150 more epochs, batch 80). Audio is 22.05 kHz. The base configuration is config/bam-vits-pseudo-ipa.yaml. The published 158.7 MB checkpoint is inference-only; its discriminator was removed.

The pseudo-IPA experiment tested whether IPA-like text would help transfer from an English checkpoint trained on English phonetic inputs. We observed no remarkable quality or convergence improvement; plain Bambara often sounded slightly more natural. Bambara orthography is already largely phonetic, while the English–Bambara acoustic mismatch likely limits useful transfer to the waveform generator. This informal result is not statistically validated.

Intended use and limitations

This is a research artifact for low-resource TTS, text-representation comparisons, and domain adaptation—not a production or financial-information system. No MOS, intelligibility, financial-term accuracy, speaker similarity, safety, bias, privacy, or memorization evaluation was performed. The cleaner is heuristic pseudo-IPA, not complete linguistic transcription. The tiny, narrow corpus and short training can cause noise, mispronounced numbers/terms, memorization, and failure on code-switching or out-of-domain text.

Do not use the model for safety-critical speech, financial advice, impersonation, or deception. Disclose synthetic output and verify it by listening.

Related resources

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
fd1ea59

0 моделей