/ Модель

Характеристики

Параметры
3,5 млн
Лицензия
CC BY-NC 4.0
Архитектура
vits · dense
Базовая модель
mms-tts-yor
Библиотека
transformers
Опубликована
4 мая 2026

soro-tts-yor

Синтез речиТекст → аудио3 профессии

Дообученная VITS-модель синтезирует речь на йоруба для озвучивания текстов одним характерным голосом.

112скачиваний 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

Soro-TTS Yoruba — модель преобразования текста на йоруба в речь, разработанная как часть мультиязычной системы Soro-TTS для нигерийских языков. Это дообученная на наборе yor_tts из WAXAL модель facebook/mms-tts-yor на архитектуре VITS. Метаданные указывают 3,5 млн параметров; в README приведена другая оценка — около 83 млн. Модель выдаёт речь с частотой дискретизации 16 кГц.

Модель предназначена для синтеза йоруба с голосом и акцентом, представленными в обучающих записях. Набор WAXAL содержит около 22,5 часа студийных односпикерных записей; тексты охватывают новости, повествование и чтение. Для синтезированной речи измерен CER 47,72% по автоматической проверке распознаванием речи; это приближённая оценка разборчивости, а не естественности. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

Сценарии применения

  • озвучивание новостных текстов на йоруба
  • синтез дикторского голоса для повествования на йоруба
  • создание аудиоверсий материалов для чтения на йоруба

Ограничения

Модель воспроизводит голос и акцент обучающего диктора; разговорная, неформальная и смешанная речь может выходить за пределы обучающих данных. Для передачи тонов йоруба важны диакритические знаки; CER 47,72% — прокси-оценка разборчивости, а не естественности речи.

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

Soro-TTS — Yoruba 🇳🇬

Part of Soro-TTS, a multilingual text-to-speech system for Nigerian languages. This checkpoint is a fine-tune of facebook/mms-tts-yor on the google/WaxalNLP yor_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-yor")
tokenizer = AutoTokenizer.from_pretrained("Shinzmann/soro-tts-yor")

text = "Ẹ kú àbọ̀ sí Nàìjíríà, orílẹ̀-èdè wa tó kún fún ìbùkún."
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 yor_tts configuration of WAXAL — studio-quality, phonetically balanced single-speaker recordings collected by Media Trust under Google Research's WAXAL initiative.

StatisticValue
Total audio22.52 hours
Training audio19.17 hours (2233 clips)
Validation audio1.78 hours
Test audio1.56 hours
Speakers (train)8
% words containing diacritics73.3%
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-yor (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=yor):

MetricnValue
CER (ASR-based)2047.72%

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. Yoruba 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-yor). 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_yor_2026,
  title  = {{Soro-TTS: A Multilingual Text-to-Speech System for Nigerian Languages — Yoruba}},
  author = {{Soro-TTS authors}},
  year   = {{2026}},
  url    = {{https://huggingface.co/Shinzmann/soro-tts-yor}},
}
@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
363073a

0 моделей