/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
omnivoice · dense
Опубликована
12 июн 2026

omnivoice-yoruba-tts

Синтез речиТекст → аудио3 профессии

Дообученная на йоруба модель OmniVoice синтезирует речь из текста и поддерживает клонирование голоса по аудиообразцу.

14скачиваний за 30 дней1лайквеса обновлены12 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Sam4rano/omnivoice-yoruba-tts — дообученная Sam4rano версия OmniVoice для синтеза речи на языке йоруба. Модель принимает текст и может использовать аудиозапись-образец для клонирования голоса без отдельного обучения под диктора; генерируемая речь имеет частоту дискретизации 24 кГц.

Модель обучена на 6 989 высказываниях общей длительностью около 9,6 часа из наборов IroyinSpeech и Google Yoruba Speech Dataset (OpenSLR 86). В описанной оценке нормализованный WER синтезированной речи составил около 11,5%; сходство голоса при zero-shot клонировании оценено косинусной близостью 0,2–0,4, поэтому точное воспроизведение личности диктора ограничено.

Для использования требуется установленный репозиторий OmniVoice. В метаданных указана лицензия Apache-2.0.

Сценарии применения

  • синтез речи на йоруба из текста
  • озвучивание материалов и объявлений на йоруба
  • создание голосовых сообщений на йоруба
  • экспериментальное клонирование голоса по аудиообразцу

Ограничения

Сходство клонированного голоса в приведённой оценке составляет 0,2–0,4, поэтому точное воспроизведение голоса может быть ограниченным. Для работы требуется установленный репозиторий OmniVoice.

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

OmniVoice Yoruba Fine-tune

This model is a fine-tuned version of k2-fsa/OmniVoice on a Yoruba speech dataset.

Training Data

Evaluation

  • Intelligibility (WER): Evaluated using a Yoruba-finetuned Whisper model (ccibeekeoc42/whisper-small-yoruba-07-17), the generated speech achieves an excellent Normalized Word Error Rate (WER) of ~11.5%. This demonstrates highly intelligible and tonally accurate Yoruba synthesis.
  • Speaker Similarity: Cosine similarity scores for zero-shot voice cloning range between 0.2 and 0.4. The speech is clear and accurate, though perfect voice identity replication might require longer training or additional diverse speaker data.

Credits

  • Special thanks to the creators of the IroyinSpeech corpus and the contributors/maintainers of the Google Yoruba Speech Dataset on OpenSLR.

Usage & Voice Selection (Zero-shot Voice Cloning)

Because this model is built on top of OmniVoice, you must have the OmniVoice repository cloned and installed. The following Python snippet handles the repository setup automatically and synthesizes Yoruba speech using a reference audio of your choice.

import sys
import os

# If the environment lacks OmniVoice, clone and install it automatically
if not os.path.exists('/content/OmniVoice'):
    print("OmniVoice directory not found. Cloning and installing...")
    os.system('git clone https://github.com/k2-fsa/OmniVoice.git /content/OmniVoice')
    os.system('pip install -q -e /content/OmniVoice')

# Ensure the OmniVoice directory is in the Python path
omnivoice_path = '/content/OmniVoice'
if os.path.exists(omnivoice_path) and omnivoice_path not in sys.path:
    sys.path.append(omnivoice_path)

from omnivoice import OmniVoice
import soundfile as sf

# Load the fine-tuned model
print("Loading OmniVoice model from Sam4rano/omnivoice-yoruba-tts...")
model = OmniVoice.from_pretrained("Sam4rano/omnivoice-yoruba-tts")

# 1. Choose your reference audio (controls the speaker voice identity)
# Provide a path to a 5-10 second clip of the target voice (male or female)
ref_audio_path = "path/to/your_reference_audio.wav"
ref_text = "The exact text transcription spoken in the reference audio."

# 2. Synthesize Yoruba Speech
print("Synthesizing speech...")
audio = model.generate(
    text="Ẹ kú àárọ̀.",
    ref_audio=ref_audio_path,
    ref_text=ref_text
)

# 3. Save output
out_path = "output_test.wav"
sf.write(out_path, audio[0], 24000)
print(f"✅ Synthesis complete! Saved to {out_path}")

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура omnivoice неизвестна transformers в образе рантайма.

Класс архитектуры
OmniVoice
Ревизия весов
921de7d

0 моделей