/ Модель

Характеристики

Опубликована
7 авг 2026

StyleTTS2-Somali

Синтез речиТекст → аудио

Односпикерная модель StyleTTS2 для синтеза сомалийской речи женским голосом.

0скачиваний за 30 дней0лайковвеса обновлены9 авг 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

StyleTTS2-Somali — односпикерная модель синтеза речи с женским голосом на сомалийском языке, созданная Zyroxx66 на архитектуре StyleTTS2 и дообученная на английских весах LibriTTS. Она предназначена для озвучивания сомалийского текста; в репозитории представлены контрольные точки разных этапов обучения, включая более поздние версии Stage 2 с улучшенным произношением сомалийских звуков «X» и «C».

Для обучения использовано около 1 часа 15 минут речи одной дикторки, поэтому модель воспроизводит один голос, а не широкий набор голосов. Поздние контрольные точки дают более точную сомалийскую фонетику, но автор отмечает, что ошибки в отдельных случаях сохраняются. Репозиторий содержит веса PyTorch; сведения о лицензии не представлены.

Сценарии применения

  • озвучивание текста на сомалийском языке
  • создание аудиоверсий сомалийских материалов одним женским голосом
  • генерация сомалийских речевых образцов для прототипов приложений

Ограничения

Модель обучена на речи одной дикторки и рассчитана на один голос. Даже поздние контрольные точки могут ошибаться в отдельных случаях; лицензия в предоставленных данных не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

StyleTTS2 Somali Single-Speaker Female Voice (Full Training Progression)

This repository hosts a high-quality, single-speaker Somali Text-to-Speech (TTS) model finetuned using the StyleTTS2 architecture. The model was trained on approximately 1 hour and 15 minutes (1,050 audio clips) of clean, high-quality Somali female speech, finetuned on top of pre-trained English LibriTTS weights.

This repository includes the training progression across two main stages, showcasing a dramatic improvement in native Somali phonetic accuracy as the model matured through advanced epochs.

Model Details

  • Architecture: StyleTTS2
  • Dataset: ~1.25 hours of single-speaker clean female Somali speech
  • Base Model: LibriTTS (English)
  • Sample Audio: See the output_somali.wav file in this repository to hear a sample of the synthesized voice.

Training Evolution & Phonetic Accuracy

Because this model was finetuned on an English base, it had to "unlearn" English phonetic rules and adopt native Somali phonology. You will notice a distinct evolution depending on which checkpoint you use:

Stage 1 (stage_1_epoch_2nd_00004_pruned.pth)

This checkpoint represents the early phase of training. While the vocal timbre, pacing, and basic flow are highly natural and successfully cloned, the model still suffers from English-biased phonetic bottlenecks:

  • Phonetic Softening of 'X': The Somali voiceless pharyngeal fricative X ([ħ]) is often softened to a standard English H ([h]) or occasionally mispronounced as "ks".
  • Phonetic Softening of 'C': The Somali voiced pharyngeal fricative C ([ʕ]) is often softened to a standard vowel transition or glottal stop.

Stage 2 (epoch_2nd_00004.pth through epoch_2nd_00039.pth)

During the second stage of training, these phonetic limitations have been significantly improved. While not 100% flawless in every single edge case, transitioning into deep Stage 2 allows the model to map the correct phonemes much more accurately. By utilizing these later checkpoints, the model synthesizes native Somali phonology—including the proper deep pharyngeal 'X' and 'C' sounds—with a high degree of realism and consistency.

Latest Training Metrics (Late Stage 2)

The model shows excellent convergence and stability in the later epochs. Below are the recorded metrics from the advanced training stages (Epoch 42 / Step 410) reflecting the state of the model around and beyond Epoch 39:

MetricValueMetricValue
Total Loss0.24934Sty Loss0.05516
Gen Loss5.18974S2S Loss0.03662
Disc Loss3.93945Mono Loss0.05514
F0 Loss1.97537CE Loss0.01814
Dur Loss0.42321Norm Loss0.33834
LM Loss1.12631Diff Loss0.36748

Usage & Checkpoint Selection

  • For production use or maximum linguistic accuracy: It is highly recommended to use the latest available Stage 2 checkpoints (e.g., epoch_2nd_00034.pth or epoch_2nd_00039.pth). These will provide the most native and realistic Somali pronunciation.
  • For testing/lightweight integration: The Stage 1 pruned checkpoint (stage_1_epoch_2nd_00004_pruned.pth) is provided as a smaller snapshot of the model's early development, though it comes with the phonetic limitations described above.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
e4918d2

0 моделей