/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
508 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-0.6B
Библиотека
transformers
Опубликована
14 сен 2026

voho-saudi-speak-0.6b

Генерация текстаТекст → текст3 профессии

Компактная модель Voho преобразует литературный арабский текст в разговорные наджди, хиджази и халиджи для голосовых агентов и озвучивания.

270скачиваний за 30 дней0лайковвеса обновлены14 сен 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

Voho Saudi Speak 0.6B — компактная текстовая модель от Voho для преобразования литературного арабского текста в разговорную речь саудовских диалектов: наджди, хиджази и халиджи. Это плотная Qwen3ForCausalLM на 507,9 млн параметров, дообученная полным fine-tune на Qwen/Qwen3-0.6B. Модель принимает текст и название диалекта и возвращает переформулированный арабский текст; контекст — до 40 960 токенов.

Модель предназначена для подготовки реплик голосовых агентов и озвучиваемых текстов, чтобы речь звучала естественнее для жителей Саудовской Аравии. В тесте на 1 000 предложениях она показала chrF++ 75,7 в целом, с результатами для наджди и хиджази; обучение проводилось на 84 394 транскрибированных фразах из SADA. Она компактна для локального запуска, однако может менять или терять детали в длинных и сложных предложениях, не использует диакритические знаки, а обучающие данные преимущественно отражают телевизионную речь. Для клиентских сценариев результаты следует проверять. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование.

Сценарии применения

  • переформулирование литературного арабского текста в надждийский диалект
  • адаптация реплик для жителей Джидды на хиджази
  • преобразование текста в халиджи для голосового агента
  • подготовка естественно звучащих арабских реплик для телефонного разговора

Ограничения

Модель лучше отражает телевизионную речь, чем разговоры в банковском обслуживании; на длинных и сложных фразах может терять детали или менять смысл и роли участников. Она пишет без диакритики, поэтому клиентские тексты требуют проверки; лицензия CC-BY-NC-SA-4.0 не допускает коммерческого использования.

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

Voho Saudi Speak 0.6B

Turns formal Arabic into Arabic the way Saudis actually say it, in Najdi, Hijazi or Khaleeji, from Voho.

A voice agent that reads out written Arabic sounds like a news bulletin. This small model sits between the text and the voice: give it a formal sentence and a dialect, and it returns what a person from Riyadh, Jeddah or the Eastern Province would say on a phone call. It is 0.6B parameters, small enough to run on a CPU or next to a speech model on one GPU.

Results

chrF++ against what a Saudi speaker actually said, on 1,000 held-out sentences (higher is better):

DialectSentencesFormal text unchangedQwen3-0.6B, untrainedVoho Saudi Speak 0.6BGemini 2.5 Flash
All test sentences1,00061.852.275.768.7
Najdi (Riyadh, central)46262.251.577.070.6
Hijazi (Jeddah, Makkah)25765.857.775.869.1
Khaleeji (Eastern Province)28156.647.373.264.7

"Formal text unchanged" is the floor: dialect and formal Arabic share most of their letters, so leaving the sentence as it is already scores well. Gemini 2.5 Flash is a much larger model doing the same job with the same instruction, shown for scale. Read the comparison with care: this model was trained on SADA and learned its spelling and phrasing, which Gemini never saw, and the formal inputs were themselves written by Gemini. On this test set that favours the small model; it does not mean a 0.6B model is better at Saudi Arabic than Gemini in general.

Examples

DialectFormal inputVoho Saudi Speak 0.6B
Khaleejiالآن فقط فهمت قصدك وسر اهتمامك.الحين بس فهمت قصدك وسر اهتمامك.
Najdiوالله لست أرى أي شيء، أقسم بالله، نعم نعم ارفعها أكثر قليلا.والله ماني شايف أي شيء أقسم بالله إيه إيه أرفعها شوي أكثر
Hijaziما هي همومك يا شوماخر؟إيش همومك يا شوماخر؟

Sentences it never saw in training, from a bank or a clinic line:

DialectFormal inputVoho Saudi Speak 0.6B
Najdiأين أنت الآن؟ أريد أن أحجز موعداً غداً.وينك الحين أبغى أحجز موعد بكرة
Najdiلا أستطيع رفع الحد إلى أكثر من ألف ريال، يجب أن تزور الفرع.ما أقدر أرفع الحد إلى أكثر من ألف ريال لازم تزور الفرع.
Hijaziسنرسل لك رمز التحقق الآن، من فضلك أخبرني به.بنرسلك رمز التحقق دحين من فضلك خبرني فيه
Najdiرقم طلبك هو 48213 وسيصل خلال ثلاثة أيام.رقم طلبك هو 48213 وبيوصل خلال ثلاث أيام.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "VohoAI/voho-saudi-speak-0.6b"
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(repo)

DIALECT = {"najdi": "النجدية", "hijazi": "الحجازية", "khaleeji": "الخليجية الشرقية"}

def saudi(text, dialect="najdi"):
    prompt = f"أعد صياغة هذه الجملة باللهجة السعودية {DIALECT[dialect]} كما يقولها شخص في مكالمة، بدون أي شرح:\n{text}"
    ids = tok.apply_chat_template([{"role": "user", "content": prompt}], add_generation_prompt=True,
                                  enable_thinking=False, return_tensors="pt")
    out = model.generate(ids, max_new_tokens=96, do_sample=False)
    return tok.decode(out[0, ids.shape[1]:], skip_special_tokens=True).strip()

print(saudi("أين أنت الآن؟ أريد أن أحجز موعداً غداً."))

Training

  • Base model: Qwen/Qwen3-0.6B (Apache 2.0), full fine-tune, 2 epochs, one NVIDIA L4
  • Targets: real Saudi speech. 84,394 transcribed sentences from SADA (Najdi, Hijazi and Khaleeji speakers), cleaned of noise transcriptions, repeats and duplicates
  • Inputs: a formal Modern Standard Arabic version of each sentence, written by Gemini 2.5 Flash from the Saudi original. Pairs where Gemini changed nothing were dropped
  • Test set: SADA's own test split, never seen in training

Licence and intended use

Non-commercial. SADA is licensed CC BY-NC-SA 4.0, so this model is released under the same licence: research and non-commercial use, with attribution, under the same terms.

For production Saudi Arabic voice, use the Voho API or the LiveKit plugin.

Limitations

  • Trained on television speech: it knows how Saudis talk in dramas and interviews better than how they talk to a bank.
  • Its inputs were written by another model, so it learns to undo that model's style of formal Arabic best.
  • Small model: it can drop or change details in long or complicated sentences, and occasionally swaps who does what ("هل تريد أن أحولك" came out as "تبي تحولك"). Check anything customer-facing.
  • Writes without diacritics.

Citation

Please cite SADA when using this model:

Saudi Audio Dataset for Arabic (SADA), Saudi Data and AI Authority (SDAIA), 2022.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
4f609c1

0 моделей