/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
voxcpm
Опубликована
15 июл 2026

VoxCPM2-Ghana

Синтез речиТекст → аудио3 профессии

Модель преобразует фонемные последовательности IPA в речь на 42 ганских языках и ганском варианте английского.

26скачиваний за 30 дней0лайковвеса обновлены11 сен 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

VoxCPM2-Ghana — модель синтеза речи, созданная Mich-Seth Owusu дообучением VoxCPM2 от Microsoft на ганской речи с транскрипциями в IPA. Она принимает последовательности фонем IPA, разделённые пробелами, и генерирует речь с частотой дискретизации 48 кГц. Для преобразования обычного текста в IPA требуется предварительная фонемизация; автор рекомендует ghana-g2p для ганских языков. Модель поддерживает 42 языка Ганы, английский с ганским акцентом и переключение между языками. Архитектура включает языковую модель типа LLaMA примерно на 5 млрд параметров и декодер AudioVAE; доступна генерация с голосовым образцом через reference_wav_path.

Модель рассчитана на синтез речи для ганских языков и английского, в том числе формальной речи и смешанного Twi-English. Обучение проводилось на примерно 747 часах аудио, преимущественно на начитках библейских текстов, поэтому разговорная интонация может быть менее естественной; качество и разнообразие данных различаются между языками, а английские записи могут содержать фоновый шум. Явного управления идентичностью диктора нет, поэтому голос может меняться между генерациями. Для IPA необходимо отключить нормализацию текста параметром normalize=False. Лицензия — CC BY-NC 4.0, коммерческое использование ею не разрешено.

Сценарии применения

  • синтез речи на ганских языках из IPA
  • озвучивание текста на асанте-тви и акуапем-тви
  • синтез речи на фантэ, эве и дагбани
  • озвучивание ганского английского с местным акцентом
  • генерация речи с переключением между Twi и английским
  • синтез голоса с использованием короткой аудиозаписи-образца

Ограничения

На вход требуется IPA, а нормализацию текста необходимо отключить; обычный текст нужно предварительно фонемизировать. Модель обучена преимущественно на начитках, поэтому разговорная просодия может быть слабее, а покрытие и качество неодинаковы для разных языков.

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

VoxCPM2-Ghana: Multilingual Ghanaian IPA Text-to-Speech

A multilingual text-to-speech model for 42 Ghanaian languages trained on IPA phoneme inputs. Built by finetuning VoxCPM2 on Ghanaian speech with IPA transcriptions.

Try it live: HuggingFace Space

Author: Mich-Seth Owusu (@michsethowusu)

Demo Samples

The samples below cover a subset of the supported languages. The model supports IPA-based generation for all 42 Ghanaian languages plus English — use any IPA text from the supported languages with the inference script.

Listen to generated samples:

LanguageTextAudio
Asante TwiNnipakuo bi a wɔɔyɛ adwuma ɛwɔ bɔɔhol bi ɛhoref_00
Akuapem TwiDɛɛbi dɛɛbi me pɛsɛ me tɔref_00
FanteMMA MMA KWAN MA BIRIBIARA NNSƐƐ W'ENYIGYEref_00
EweMevɔ̃na ɣesiaɣi be ame aɖe akpɔ wo le nugoe meref_00
DagbaniBi zɔri mi ni be chɛŋ shukuru be konkoref_00
DagaareBibiiri bayɔpoi la zeŋ, ba mine leɛ la ba nime kyaare taaref_00
DangmeSuɔmi Yeɔ Bua Wɔ Nɛ Wa Daa Ninyɛ Nyaref_00
Ninkare/FrafraTo wan eŋɛ la wani le tara pupeelum?ref_00
NzemaBɛde ɔ bo kɛ nlanwonvoninli ɛnleanlɛ kola karef_00
SehwiSɛ Ɛkyɛ Nikye A, Ɔkɔmaa Wɔnye Kɔgye Paaref_00
Code-switchSɛ wopɛ a, yɛbɛtumi anante, it's not that farref_00
EnglishGovernment sitting on US$200m Akufo-Addo leftref_00

More samples (without reference audio) are in the samples/ directory.

Model Details

  • Architecture: VoxCPM2 (LLaMA-like LM + AudioVAE decoder)
  • Parameters: ~5B (LM) + AudioVAE
  • Base model: VoxCPM2 (Microsoft)
  • Finetuning: Full model finetuning (not LoRA) on 40k steps
  • Sample rate: 48 kHz output (16 kHz latent encoding)
  • Language support: 42 Ghanaian languages + English + code-switch
  • Input format: IPA phoneme sequences (space-separated)
  • Tokenizer: SentencePiece (73,440 vocab, 55,305 IPA/multichar units)

Training Details

Hyperparameters

ParameterValue
OptimizerAdamW
Learning rate1e-5
Weight decay0.01
Warmup steps1,000
Batch size4
Gradient accumulation8 (effective batch = 32)
Max gradient norm1.0
Max steps40,000
Training epochs~3.04
Max batch tokens8,192

Training Data

MetricValue
Total audio~747 hours
Total clips~369,347
Languages42 Ghanaian + English
Max hours per language20h (balanced)
English hours200h
Dev clips per language40
Audio encodingAudioVAE latents (fp16, [T_f, 64])
Text formatIPA phonemes (space-separated)

Source corpora:

  • Bible speech recordings (JW / Waxal / UNICEF) — majority of data
  • Ghana News corpus (English)
  • Finance domain (Akuapem Twi)
  • Code-switch datasets (Twi-English)

Training Curves

StepTrain Diff LossTrain Stop LossVal Total LossVal Diff Loss
01.0330.0620.9410.865
20,000~0.90~0.0050.8380.821
39,9990.6650.0010.8130.804

Training converged by step 40,000 with decreasing loss across all metrics.

G2P Tools & Phonemisation

All text was phonemised to IPA before training. The following G2P tools were used:

Ghanaian Languages (42 languages)

  • Tool: ghana-g2p (pip install ghana-g2p), built on africa-g2p
  • Convention: Space-separated IPA with punctuation kept as standalone tokens
  • Coverage: 42 Ghanaian languages with language-specific grapheme-to-phoneme rules

English

  • Tool: GhanaNLP/ghana-english-g2p — GhanaEnglishG2P
  • Note: English uses Ghana-accented English phoneme conventions, not RP/GA. This is intentional: the model was trained on Ghanaian-accented English speech, so the IPA must match that accent.

ASR-Assisted Transcription

  • Tool: Custom Ghanaian phoneme ASR (CTC, 172 phoneme vocab) finetuned to English IPA
  • Purpose: Transcribe audio that lacked IPA labels, then relabel training latents
  • Repo: ghanaopendata/ghana-speech-ASR-IPA

Datasets

Training Latents

Audio Companion

ASR Transcriptions

Inference

The model reads IPA, not orthography. Phonemise your text first with ghana-g2p, which uses the same rules and the same space-separated convention the model was trained on:

pip install ghana-g2p
from ghana_g2p import GhanaG2P

g2p = GhanaG2P("Asante Twi")          # any of the 42 supported languages
ipa_text = g2p.ipa("Nnipakuo bi a wɔɔyɛ adwuma", sep=" ")
# 'n n ɪ pʰ a kʰ uo b ɪ a w ɔ ɔ j ɛ a d͡ʒ u m a'

Feeding orthographic text directly will not fail loudly — it will simply produce the wrong sounds, so check that what you pass in looks like the IPA above.

from voxcpm import VoxCPM
import numpy as np, soundfile as sf

# Load model
model = VoxCPM(
    voxcpm_model_path="ghananlpcommunity/VoxCPM2-Ghana",
    optimize=False,
    device="cuda",
)

# Generate from the IPA produced above
wav = model.generate(
    text=ipa_text,
    cfg_value=2.0,
    inference_timesteps=10,
    normalize=False,  # CRITICAL: must be False for IPA input
)

sf.write("output.wav", np.array(wav).squeeze(), 48000)

With Reference Audio (Voice Cloning)

wav = model.generate(
    text=ipa_text,
    reference_wav_path="path/to/reference.wav",
    cfg_value=2.0,
    inference_timesteps=10,
    normalize=False,
)

Important Notes

  • normalize=False is required. The text normaliser is designed for orthographic text and will corrupt IPA strings.
  • The model outputs at 48 kHz. Writing at the wrong sample rate will pitch-shift the output.
  • Voice cloning via reference_wav_path is supported (VoxCPM2 only). Use a clean 3-8 second reference clip.

Scripts

The training and data preparation scripts are included in the training/ directory:

ScriptPurpose
voxcpm2_ghana_latents.yamlTraining config
train_voxcpm_finetune.pyMain training script (from VoxCPM)
precompute_voxcpm2_ipa_latents.pyPrecompute AudioVAE latents from audio + IPA
precompute_voxcpm_latents.pyPrecompute latents (V1 format)
g2p_english_ipa.pyPhonemise English with ghana-english-g2p
build_ipa_from_sidecar.pyBuild IPA labels from sidecar files
build_ipa_audio_datasets.pyBuild audio companion datasets
generate_samples.pyGenerate TTS samples for evaluation
build_eval_prompts.pyBuild evaluation prompt set
relabel_latents_asr_ipa.pyRelabel latent dataset with ASR IPA
transcribe_ghana_gpu_asr.pyGPU ASR transcription

Limitations

  1. IPA input only. This model takes IPA phoneme sequences, not raw text. You need a G2P tool for each supported language to convert text to IPA before synthesis.

  2. English phoneme convention. English uses a Ghana-accented IPA convention (ghana-english-g2p), not standard RP or GA. The English phoneme ASR was finetuned on g2p targets so output matches this convention.

  3. Bible speech domain bias. The training data is predominantly read Bible speech (JW/Waxal). The model performs best on formal read speech and may struggle with casual/conversational prosody.

  4. Background noise in English. Some English training clips had residual background noise from the source recordings. The English subset was not fully cleaned.

  5. Limited training epochs. The model was trained for ~3 epochs (40k steps). Further finetuning may improve quality, especially for underrepresented languages.

  6. Uneven language coverage. While data was balanced to 20h per language, some languages have more diverse speakers/domains than others. Languages like Dagbani and Ewe have richer UNICEF data; smaller languages rely primarily on Bible speech.

  7. No explicit speaker modelling. The model does not condition on speaker identity. Each generation may produce a slightly different voice.

  8. 48 kHz output. The model outputs 48 kHz audio. For downstream use at 16 kHz, resample after generation.

  9. Single GPU inference only. The model requires ~10 GB VRAM for inference. Tested on NVIDIA H200.

  10. Text normaliser disabled. normalize=False is mandatory for IPA input. Using the normaliser will corrupt phoneme sequences.

Citation

If you use this model, please cite:

@misc{ghananlp2025voxcpm2ghana,
  title={VoxCPM2-Ghana: Multilingual Ghanaian IPA Text-to-Speech},
  author={GhanaNLP},
  year={2025},
  publisher={HuggingFace},
  url={https://huggingface.co/ghananlpcommunity/VoxCPM2-Ghana}
}

License

CC-BY-NC 4.0 (non-commercial). See LICENSE for details.

This license applies due to the non-commercial nature of the training data sources (Bible/JW speech recordings, UNICEF educational recordings). The upstream VoxCPM2 model uses Apache 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · voxcpm

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
104b3d7

0 моделей