/ Модель

Характеристики

Параметры
3,5 млн
Лицензия
CC BY 4.0
Архитектура
vits · dense
Библиотека
transformers
Опубликована
14 мая 2025

Simba-TTS-xho

Распознавание речиАудио → текст3 профессии

Производная модели UBC-NLP/Simba-TTS-afr. Модель Simba-TTS-afr преобразует текст на африкаанс в речь для озвучивания и голосовых интерфейсов.

306скачиваний за 30 дней1лайквеса обновлены12 фев 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

Карточка модели UBC-NLP/Simba-TTS-xho на Hugging Face совпадает с карточкой UBC-NLP/Simba-TTS-afr, поэтому описание составлено по ней.

Simba-TTS-afr — модель синтеза речи на африкаанс из семейства Simba, разработанного UBC-NLP. Она преобразует текст в естественно звучащую речь и предназначена для голосовых интерфейсов и других сценариев озвучивания на африкаанс. В README модель отнесена к серии Simba-TTS и названа MMS-TTS; метаданные указывают архитектуру VITS, библиотеку Transformers и размер 3,5 млн параметров. Модель обучалась с использованием SimbaBench, набора данных для африканских языков.

Модель принимает текст и генерирует аудио. README указывает африкаанс как целевой язык этой версии; серия ориентирована на африканские языки и языки с ограниченными ресурсами. Лицензия — CC BY 4.0. Метаданные помечают модель как automatic speech recognition, тогда как README описывает её назначение как text-to-speech; поэтому классификация задачи в каталоге может расходиться с назначением, заявленным авторами.

Сценарии применения

  • озвучивание текста на африкаанс
  • синтез речи для голосового интерфейса на африкаанс
  • создание аудиоверсий материалов на африкаанс
  • генерация речевых подсказок на африкаанс

Ограничения

Модель предназначена для синтеза речи на африкаанс; качество для других языков README не подтверждает. Метаданные классифицируют её как распознавание речи, хотя карточка описывает синтез 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

EMNLP 2025 Paper Official Website SimbaBench GitHub Repository Hugging Face Hugging Face Dataset

Bridging the Digital Divide for African AI

Voice of a Continent is a comprehensive open-source ecosystem designed to bring African languages to the forefront of artificial intelligence. By providing a unified suite of benchmarking tools and state-of-the-art models, we ensure that the future of speech technology is inclusive, representative, and accessible to over a billion people.

Best-in-Class Multilingual Models

Introduced in our EMNLP 2025 paper Voice of a Continent, the Simba Series represents the current state-of-the-art for African speech AI.

  • Unified Suite: Models optimized for African languages.
  • Superior Accuracy: Outperforms generic multilingual models by leveraging SimbaBench's high-quality, domain-diverse datasets.
  • Multitask Capability: Designed for high performance in ASR (Automatic Speech Recognition) and TTS (Text-to-Speech).
  • Inclusion-First: Specifically built to mitigate the "digital divide" by empowering speakers of underrepresented languages.

The Simba family consists of state-of-the-art models fine-tuned using SimbaBench. These models achieve superior performance by leveraging dataset quality, domain diversity, and language family relationships.

🔊 Simba-TTS (Text-to-Speech)

  • 🎯 Task: Text-to-Speech — Natural Voice Synthesis. 🌍 Language Coverage (7 African languages)

Afrikaans (afr), Asante Twi (asanti), Akuapem Twi (akuapem), Lingala (lin), Southern Sotho (sot), Tswana (tsn), Xhosa (xho)

TTS ModelArchitectureHugging Face CardStatus
Simba-TTS-afr 🔊MMS-TTS🤗 https://huggingface.co/UBC-NLP/Simba-TTS-afr✅ Released
Simba-TTS-twi-asanti 🔊MMS-TTS🤗 https://huggingface.co/UBC-NLP/Simba-TTS-twi-asanti✅ Released
Simba-TTS-twi-akuapem 🔊MMS-TTS🤗 https://huggingface.co/UBC-NLP/Simba-TTS-twi-akuapem✅ Released
Simba-TTS-lin 🔊MMS-TTS🤗 https://huggingface.co/UBC-NLP/Simba-TTS-lin✅ Released
Simba-TTS-sot 🔊MMS-TTS🤗 https://huggingface.co/UBC-NLP/Simba-TTS-sot✅ Released
Simba-TTS-tsn 🔊MMS-TTS🤗 https://huggingface.co/UBC-NLP/Simba-TTS-tsn✅ Released
Simba-TTS-xho 🔊MMS-TTS🤗 https://huggingface.co/UBC-NLP/Simba-TTS-xho✅ Released

🧩 Usage Example

You can easily run inference using the Hugging Face transformers library.

from transformers import VitsModel, AutoTokenizer
import torch

model_name="Simba-TTS-afr" ## Simba-TTS-twi-asanti, Simba-TTS-twi-akuapem, Simba-TTS-lin, Simba-TTS-sot, Simba-TTS-tsn, Simba-TTS-xho
model = VitsModel.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

text = "Ons noem hierdie deeltjies sub-atomiese deeltjies" #example of Afrikaans (afr) language 
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    output = model(**inputs).waveform

The resulting waveform can be saved as a .wav file:

scipy.io.wavfile.write("outputfile.wav", rate=model.config.sampling_rate, data=output.float().numpy())

Citation

If you use the Simba models or SimbaBench benchmark for your scientific publication, or if you find the resources in this website useful, please cite our paper.


@inproceedings{elmadany-etal-2025-voice,
    title = "Voice of a Continent: Mapping {A}frica{'}s Speech Technology Frontier",
    author = "Elmadany, AbdelRahim A.  and
      Kwon, Sang Yun  and
      Toyin, Hawau Olamide  and
      Alcoba Inciarte, Alcides  and
      Aldarmaki, Hanan  and
      Abdul-Mageed, Muhammad",
    editor = "Christodoulopoulos, Christos  and
      Chakraborty, Tanmoy  and
      Rose, Carolyn  and
      Peng, Violet",
    booktitle = "Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing",
    month = nov,
    year = "2025",
    address = "Suzhou, China",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2025.emnlp-main.559/",
    doi = "10.18653/v1/2025.emnlp-main.559",
    pages = "11039--11061",
    ISBN = "979-8-89176-332-6",
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Для архитектуры vits нет загрузчика под задачу speech-to-text.

Класс архитектуры
VitsModel
Ревизия весов
1bd104d

0 моделей