/ Модель

Характеристики

Лицензия
MIT
Архитектура
speecht5 · dense
Базовая модель
speecht5_tts-wolof
Опубликована
30 янв 2025

speecht5_tts-wolof-v0.2

Синтез речиТекст → аудио3 профессии

Дообученная SpeechT5 для преобразования текста на волоф и французском языках в речь.

734скачиваний за 30 дней1лайквеса обновлены7 фев 2025

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

Модель bilalfaye/speecht5_tts-wolof-v0.2 разработана Bilal FAYE и дообучена на базе Microsoft SpeechT5 для синтеза речи из текста на волоф и французском языках. Она использует архитектуру SpeechT5 и собственный токенизатор; дополнительное обучение направлено на улучшение соответствия текста звучанию, произношения и плавности речи на обоих языках.

Модель предназначена для многоязычного преобразования текста в речь, голосовых помощников и речевых интерфейсов на волоф и французском, а также для исследований синтеза речи на малоресурсных языках. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Качество синтеза зависит от обучающих данных, редкие и сложные слова могут произноситься неверно. При обучении использовался один голосовой эмбеддинг, поэтому модель может плохо переноситься на другие голосовые профили.

Сценарии применения

  • озвучивание текста на волоф
  • озвучивание текста на французском
  • синтез речи для голосовых помощников на волоф и французском
  • создание речевых интерфейсов для малоресурсных языков
  • эксперименты с синтезом речи на волоф

Ограничения

Качество зависит от обучающих данных, а редкие и сложные слова могут произноситься неверно. Модель обучалась с одним голосовым эмбеддингом и может плохо обобщаться на другие голоса.

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-wolof-v0.2

This model is a fine-tuned version of speecht5_tts-wolof that enhances Text-to-Speech (TTS) synthesis for both Wolof and French. It is based on Microsoft's SpeechT5 and incorporates a custom tokenizer and additional fine-tuning to improve performance across these two languages.

Model Description

This model builds upon the SpeechT5 architecture, which unifies speech recognition and synthesis. The fine-tuning process introduced modifications to the original Wolof model, enabling it to generate natural speech in both Wolof and French. The model maintains the same general structure but learns a more robust alignment between textual inputs and speech synthesis, improving pronunciation and fluency in both languages.


Installation Instructions for Users

To install the necessary dependencies, run the following command:

pip install transformers datasets torch

Model Loading and Speech Generation Code

import torch
from transformers import SpeechT5ForTextToSpeech, SpeechT5Processor, SpeechT5HifiGan
from datasets import load_dataset
from IPython.display import Audio, display

def load_speech_model(checkpoint="bilalfaye/speecht5_tts-wolof-v0.2", vocoder_checkpoint="microsoft/speecht5_hifigan"):
    """ Load the SpeechT5 model, processor, and vocoder for text-to-speech. """
    
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    
    processor = SpeechT5Processor.from_pretrained(checkpoint)
    model = SpeechT5ForTextToSpeech.from_pretrained(checkpoint).to(device)
    vocoder = SpeechT5HifiGan.from_pretrained(vocoder_checkpoint).to(device)

    return processor, model, vocoder, device

# Load the model
processor, model, vocoder, device = load_speech_model()

# Load speaker embeddings (pretrained from CMU Arctic dataset)
embeddings_dataset = load_dataset("Matthijs/cmu-arctic-xvectors", split="validation")
speaker_embedding = torch.tensor(embeddings_dataset[7306]["xvector"]).unsqueeze(0)

def generate_speech_from_text(text, speaker_embedding=speaker_embedding, processor=processor, model=model, vocoder=vocoder):  
    """ Generates speech from input text using SpeechT5 and HiFi-GAN vocoder. """  

    inputs = processor(text=text, return_tensors="pt", padding=True, truncation=True, max_length=model.config.max_text_positions)
    inputs = {key: value.to(model.device) for key, value in inputs.items()}

    speech = model.generate(
        inputs["input_ids"],
        speaker_embeddings=speaker_embedding.to(model.device),
        vocoder=vocoder,
        num_beams=7,
        temperature=0.6,
        no_repeat_ngram_size=3,
        repetition_penalty=1.5,
    )

    speech = speech.detach().cpu().numpy()
    display(Audio(speech, rate=16000))

# Example usage French
text = "Bonjour, bienvenue dans le modèle de synthèse vocale Wolof et Français."
generate_speech_from_text(text)

# Example usage Wolof
text = "ñu ne ñoom ñooy nattukaay satélite yi"
generate_speech_from_text(text)

Intended Uses & Limitations

Intended Uses

  • Multilingual TTS: Converts Wolof and French text into natural-sounding speech.
  • Voice Assistants & Speech Interfaces: Can be used for audio-based applications supporting both languages.
  • Linguistic Research: Facilitates speech synthesis research in low-resource languages.

Limitations

  • Data Dependency: The quality of synthesized speech depends on the dataset used for fine-tuning.
  • Pronunciation Variations: Some complex or uncommon words may be mispronounced.
  • Limited Speaker Variety: The model was trained on a single speaker embedding and may not generalize well to different voice profiles.

Training and Evaluation Data

The model was fine-tuned on an extended dataset containing text in both Wolof and French, ensuring improved synthesis capabilities across these two languages.


Training Procedure

Training Hyperparameters

HyperparameterValue
Learning Rate1e-05
Training Batch Size8
Evaluation Batch Size2
Gradient Accumulation Steps8
Total Train Batch Size64
OptimizerAdam (β1=0.9, β2=0.999, ϵ=1e-08)
Learning Rate SchedulerLinear
Warmup Steps500
Training Steps25,500
Mixed Precision TrainingAMP (Automatic Mixed Precision)

Training Results

Training LossEpochStepValidation Loss
0.53720.99959540.4398
0.46462.019090.4214
0.45052.999528630.4163
0.44434.038180.4109
0.44034.999547720.4080
0.43686.057270.4057
0.43436.999566810.4034
0.43158.076360.4018
0.43118.999585900.4015
0.427310.095450.4017
0.428210.9995104990.3990
0.424912.0114540.3986
0.424212.9995124080.3973
0.422514.0133630.3966
0.421714.9995143170.3951
0.420816.0152720.3950
0.420016.9995162260.3950
0.420218.0171810.3952
0.420018.9995181350.3943
0.418320.0190900.3962
0.417520.9995200440.3937
0.416122.0209990.3940
0.419322.9995219530.3932
0.417724.0229080.3939
0.416624.9995238620.3936
0.415626.0248170.3938

Framework Versions

  • Transformers: 4.41.2
  • PyTorch: 2.4.0+cu121
  • Datasets: 3.2.0
  • Tokenizers: 0.19.1

Author

  • Bilal FAYE

This model contributes to enhancing TTS accessibility for Wolof and French, making it a valuable resource for multilingual voice applications. 🚀

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
SpeechT5ForTextToSpeech
Ревизия весов
2aa573f

0 моделей