/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
553 млн
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
neutts-air
Опубликована
30 авг 2026

neutts-air-darija-v1

Генерация текстаТекст → текст3 профессии

Дообученная NeuTTS Air генерирует речь на марокканской даридже из текста и выдаёт токены для декодирования через NeuCodec.

56скачиваний за 30 дней0лайковвеса обновлены31 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 «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат 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

Tilas представил NeuTTS Air — дообученную версию neuphonic/neutts-air для синтеза речи на марокканском диалекте арабского языка (дариже). Модель содержит 552,8 млн параметров, использует архитектуру Qwen2 и выдаёт речевые токены NeuCodec; для преобразования их в аудио нужен декодер neuphonic/neucodec. Контекст модели — 32 768 токенов.

Модель предназначена для генерации дариджской речи по тексту. Обучение выполнено на токенах из Tilas/MoulSot-Tokens-v1, полученных из корпуса MoulSot с примерно 101,9 часами транскрибированной речи. При инференсе необходимо использовать тот же фонемизатор на основе espeak-ng, что применялся при обучении.

Качество произношения ограничено тем, что espeak-ng использует фонологические правила современного литературного арабского, а не специализированную фонемизацию дариджи; французские заимствования могут звучать с английским оттенком. Транскрипты автоматически созданы Gemini-2.5-Pro и не проверены людьми, а исходные записи с YouTube различаются по акустическим условиям. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • синтез речи на марокканской даридже из текста
  • создание озвучки для приложений и медиаматериалов на даридже
  • преобразование арабского текста на даридже в речевые токены NeuCodec

Ограничения

Фонемизатор espeak-ng основан на правилах литературного арабского, поэтому произношение дариджи может быть неточным; французские заимствования могут получать английское произношение. Транскрипты автоматически сгенерированы и не проверены людьми, а качество звучания зависит от акустических условий и референсного аудио.

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

NeuTTS Air - Moroccan Darija

neuphonic/neutts-air fine-tuned on Moroccan Darija speech tokens from Tilas/MoulSot-Tokens-v1.

Speech is represented as NeuCodec tokens (single codebook, 65,536 codes, 50 tokens/s, 0.8 kbps). Generated tokens must be decoded with neuphonic/neucodec.

Usage

Darija text is phonemised with espeak-ng's ar voice through a custom phonemizer that maps Arabic punctuation to Latin equivalents (espeak silently drops ؟ and ،) and strips harakat. The same phonemizer must be used at inference, or the model sees a different phoneme distribution than it was trained on.

import src.darija_g2p          # registers DarijaPhonemizer as CUSTOM_PHONEMIZERS["ar"]
from neutts import NeuTTS

tts = NeuTTS(backbone_repo="Tilas/neutts-air-darija-v1", language="ar")
wav = tts.infer("شنو كتدير هنا؟", ref_codes=ref_codes, ref_text=ref_text)

language="ar" must be passed explicitly: this repo is not in BACKBONE_LANGUAGE_MAP, and _load_phonemizer raises rather than guessing.

Training

Base modelneuphonic/neutts-air (747.9M trainable params)
Training samples71,919
Eval samples1,000
Speech~94.8 h after filtering (101.7 h before)
Max sequence length896 tokens
Effective batch32
Learning rate4e-05 (cosine, 0.03 warmup)
Epochs2.0
Precisionbf16
GPUNVIDIA GeForce RTX 4090
Final eval loss7.1369

Supervision covers only the speech span; the phoneme prompt and padding are masked with -100. Sequences are dynamically padded with length-grouped batching.

Data

Audio and transcripts come from atlasia/MoulSot-Full, a Moroccan Darija speech corpus collected by AtlasIA from 51 YouTube channels and released under Apache-2.0. This model uses the 100-gt-2.5 config — 101.9 hours of transcribed speech.

That audio was encoded to NeuCodec tokens and published as Tilas/MoulSot-Tokens-v1, which is what this fine-tune consumes.

Data filtering

72,919 of 79,641 source rows were kept. Rejections: {"too_short": 2676, "contains_digits": 2103, "no_arabic_letters": 1797, "too_long_with_phonemes": 129, "too_long": 17}

Clips under 1.0 s were dropped to match min_new_tokens=50 at inference. Clips containing digits were dropped because espeak verbalises numerals into Modern Standard Arabic while the audio contains the Darija form.

Limitations

  • Phonemisation is a baseline, not a Darija G2P. espeak-ng's ar voice applies MSA morphophonology and reads short vowels from diacritics that undiacritised Darija does not carry, producing MSA-flavoured output and vowel-less consonant clusters (نبداو → mbdˈaːw, فالسبعة → fassbʕt). It is deterministic and collision-free on the pairs tested, so the model can learn a consistent mapping, but the IPA is frequently wrong. A dedicated Darija phonemiser is the obvious next improvement.
  • French loanwords get English-flavoured IPA under language_switch="remove-flags".
  • Transcripts are Gemini-2.5-Pro generated, not human-verified, and Darija has no standardised orthography.
  • Source audio is YouTube, so acoustic conditions vary and background noise is learnable. Voice quality at inference depends heavily on the reference clip.
  • The eval split is a random sample of training channels, so eval loss is optimistic. It is a training-health signal, not a quality benchmark.

Provenance

Tokens were produced by neuphonic/neucodec with the encode path frozen, at batch_size=1 and with no pre-padding. Both are required for token stability, since Wav2Vec2-BERT applies per-utterance feature normalisation and encode_code passes no attention mask.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
38b2eba

0 моделей