/ Модель

Характеристики

Контекст
600 токенов
Лицензия
MIT
Архитектура
speecht5 · dense
Базовая модель
speecht5_tts-pld-hil
Библиотека
transformers
Опубликована
13 авг 2026

speecht5_tts-pld-hil-v2

Синтез речиТекст → аудио3 профессии

Дообученная модель SpeechT5 преобразует текст на Hiligaynon в речь с использованием x-вектора говорящего.

18скачиваний за 30 дней0лайковвеса обновлены14 авг 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

Splintir/speecht5_tts-pld-hil-v2 — дообученная версия SpeechT5 для синтеза речи на языке Hiligaynon. Автор продолжил дообучение базовой модели sapinsapin/speecht5_tts-pld-hil на данных sapinsapin/pld: использованы 10 464 обучающих и 200 проверочных аудиофрагментов, обучение проведено в течение 4 000 шагов. Модель принимает текст и для каждого вызова требует 512-мерный x-вектор говорящего; в репозитории приложен x-вектор реального носителя Hiligaynon из обучающих данных.

Модель предназначена для преобразования текста на Hiligaynon в речь, например для озвучивания текстов и создания голосовых интерфейсов на этом языке. Она использует архитектуру SpeechT5 и библиотеку Transformers; веса опубликованы в формате safetensors. Лицензия — MIT. Данные карточки не сообщают размер модели или длину контекста.

Сценарии применения

  • озвучивание текстов на Hiligaynon
  • создание голосовых интерфейсов на Hiligaynon
  • генерация аудиоверсий материалов на Hiligaynon

Ограничения

Для синтеза требуется 512-мерный x-вектор говорящего; качество голоса и поддержка других языков в карточке не описаны.

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

speecht5_tts-pld-hil-v2

sapinsapin/speecht5_tts-pld-hil continue-finetuned on 10,664 hil clips from sapinsapin/pld -- the language's full usable set, not a sample of it.

The published checkpoints were each trained on ~1,800 clips for 1,000 steps, a cap that was a default rather than a measurement of how much data existed. This run keeps the same recipe and gives the model the rest of its own language.

training clips10,464 train + 200 eval
steps4,000
batch8 x 4 accumulation
learning rate1e-05
precisionfp32 + gradient checkpointing (fp16 NaNs SpeechT5's mel loss)
eval loss (this run)0.3681

Usage

SpeechT5 holds no voice of its own -- every call needs a 512-d x-vector. None ships with the original PLD checkpoints, which is why they are usually run with an American speaker from the HuggingFace tutorial. speaker.npy in this repo is a real hil speaker from the training data, so you can skip that.

import numpy as np, torch, soundfile as sf
from huggingface_hub import hf_hub_download
from transformers import SpeechT5ForTextToSpeech, SpeechT5HifiGan, SpeechT5Processor

REPO = "Splintir/speecht5_tts-pld-hil-v2"

processor = SpeechT5Processor.from_pretrained(REPO)
model = SpeechT5ForTextToSpeech.from_pretrained(REPO).eval()
vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan").eval()

# speaker.npy is stored as (512,); the model wants (1, 512). Without the
# unsqueeze this raises "The first dimension of speaker_embeddings must be
# either 1 or the same as batch size".
speaker = torch.from_numpy(np.load(hf_hub_download(REPO, "speaker.npy"))).float().unsqueeze(0)

ids = processor(text="Maayong buntag sa imong tanan.", return_tensors="pt")["input_ids"]
with torch.inference_mode():
    speech = model.generate_speech(ids, speaker, vocoder=vocoder)

sf.write("out.wav", speech.numpy(), 16000)   # 16 kHz mono

# In a notebook (Colab, Jupyter), play it inline instead of saving:
from IPython.display import Audio, display
display(Audio(speech.numpy(), rate=16000))

Runs unmodified on a stock Colab CPU runtime -- every dependency is preinstalled, including the sentencepiece the tokenizer needs -- at roughly 1.8x real time. For GPU, .to("cuda") the model, the vocoder and ids/speaker, then .cpu() the result before sf.write.

The display(Audio(...)) line renders a play button in a notebook cell. It produces no sound over a terminal or SSH session; there, write the wav and fetch it (from google.colab import files; files.download("out.wav")).

Spell numbers out: the tokenizer is character-level Latin and drops digits silently.

Trained with scripts/train_tts.py; preprocessing matches finetune_tts.py from the halohalo pipeline -- one x-vector per clip, never averaged.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
SpeechT5ForTextToSpeech
Ревизия весов
740cd75

0 моделей