/ Модель

Характеристики

Параметры
3,6 млн
Лицензия
CC BY-NC 4.0
Архитектура
vits · dense
Базовая модель
mms-tts-ibo
Библиотека
transformers
Опубликована
4 мая 2026

soro-tts-ibo

Синтез речиТекст → аудио4 профессии

Дообученная VITS-модель преобразует текст на игбо в речь для озвучивания новостей и повествовательных материалов.

210скачиваний за 30 дней1лайквеса обновлены4 мая 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

Shinzmann/soro-tts-ibo — модель синтеза речи на игбо из системы Soro-TTS для нигерийских языков. Это дообученная версия facebook/mms-tts-ibo на подмножестве ibo_tts набора WAXAL, собранного в рамках инициативы Google Research. По метаданным модель использует архитектуру VITS, библиотеку Transformers и веса Safetensors; в карточке указано 3,6 млн параметров. README приводит другую оценку размера — около 83 млн параметров, поэтому размер модели в источниках расходится. Синтез выполняется с частотой дискретизации 16 кГц.

Модель предназначена для преобразования текста на игбо в речь, например для озвучивания новостей и повествовательных текстов. Обучающие записи студийного качества охватывают 20,58 часа аудио и представлены одним или двумя дикторами на язык. В оценке на 20 примерах CER по распознаванию синтезированной речи составил 44,84%; это прокси-оценка разборчивости, а не естественности звучания.

Модель воспроизводит голос и акцент обучающих дикторов. Разговорные, неформальные и смешанные языковые тексты могут отличаться от обучающих данных; для корректной передачи тонов игбо важны диакритические знаки. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Сценарии применения

  • озвучивание новостных текстов на игбо
  • синтез речи для повествовательных материалов на игбо
  • создание аудиоверсии текстов на игбо
  • озвучивание подготовленных текстов с диакритическими знаками игбо

Ограничения

Модель воспроизводит голос и акцент обучающих дикторов; разговорная, неформальная и смешанная речь может быть вне обучающего распределения. Для передачи тонов игбо важны диакритические знаки; CER по ASR составил 44,84% на 20 примерах и не измеряет естественность звучания. Лицензия CC BY-NC 4.0 не допускает коммерческого использования.

Для каких профессий подходит4

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

Soro-TTS — Igbo 🇳🇬

Part of Soro-TTS, a multilingual text-to-speech system for Nigerian languages. This checkpoint is a fine-tune of facebook/mms-tts-ibo on the google/WaxalNLP ibo_tts subset.

Languages in the Soro-TTS suite

LanguageModel
HausaShinzmann/soro-tts-hau
IgboShinzmann/soro-tts-ibo
YorubaShinzmann/soro-tts-yor

Quick start

from transformers import VitsModel, AutoTokenizer
import torch, scipy.io.wavfile

model = VitsModel.from_pretrained("Shinzmann/soro-tts-ibo")
tokenizer = AutoTokenizer.from_pretrained("Shinzmann/soro-tts-ibo")

text = "Nnọọ na Naịjịrịa, obodo anyị nke jupụtara na ngọzi."
inputs = tokenizer(text, return_tensors="pt")

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

scipy.io.wavfile.write("out.wav", rate=model.config.sampling_rate, data=waveform)

Training data

Trained on the ibo_tts configuration of WAXAL — studio-quality, phonetically balanced single-speaker recordings collected by Media Trust under Google Research's WAXAL initiative.

StatisticValue
Total audio20.58 hours
Training audio17.28 hours (1552 clips)
Validation audio1.32 hours
Test audio1.98 hours
Speakers (train)8
% words containing diacritics31.6%
Sample rate16 kHz

Architecture

VITS / MMS-TTS — a conditional VAE with adversarial training, a flow-based prior, and a HiFi-GAN-style decoder.

  • Parameters: ~83M
  • Sample rate: 16 kHz
  • Base model: facebook/mms-tts-ibo (Pratap et al., 2023)

Training procedure

HyperparameterValue
Epochs100
Batch size128
Learning rate2e-05
OptimizerAdamW (β₁=0.8, β₂=0.99)
Precisionbf16
Loss weightsmel=35, kl=1.5, gen=1, fmaps=1, disc=3, duration=1
Recipeylacombe/finetune-hf-vits

Evaluation

Character Error Rate (CER) measured by transcribing synthesised audio with facebook/mms-1b-all ASR (target_lang=ibo):

MetricnValue
CER (ASR-based)2044.84%

This proxy metric measures intelligibility, not naturalness. Human MOS evaluation by native speakers is recommended for the latter.

Limitations and biases

  • Single voice. WAXAL TTS is recorded by 1–2 professional voice actors per language. The model inherits that voice and accent.
  • Domain. Training text covers news, narration, and read speech; conversational, code-switched, or highly informal text may be out of distribution.
  • Tonal nuance. Igbo relies on tone marks for meaning. Inputs without proper diacritics will produce flat or incorrect prosody.
  • Non-commercial. MMS-TTS base is CC BY-NC 4.0; this fine-tune inherits that license.

License

CC BY-NC 4.0 (inherited from facebook/mms-tts-ibo). The WAXAL data itself is CC-BY-4.0. This model is for research only and may not be used commercially.

Citation

@misc{soro_tts_ibo_2026,
  title  = {{Soro-TTS: A Multilingual Text-to-Speech System for Nigerian Languages — Igbo}},
  author = {{Soro-TTS authors}},
  year   = {{2026}},
  url    = {{https://huggingface.co/Shinzmann/soro-tts-ibo}},
}
@article{pratap2023mms,
  title  = {{Scaling Speech Technology to 1{,}000+ Languages}},
  author = {{Pratap, Vineel and Tjandra, Andros and Shi, Bowen and others}},
  journal= {{arXiv:2305.13516}},
  year   = {{2023}}
}

Acknowledgements

  • Google Research and Media Trust for releasing WAXAL
  • Meta AI for the MMS base models
  • Yoach Lacombe for finetune-hf-vits

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
0ac08cc

0 моделей