/ Модель

Характеристики

Параметры
3,6 млн
Лицензия
CC BY-NC 4.0
Архитектура
vits · dense
Базовая модель
mms-tts-aka
Опубликована
14 сен 2026

tekyerema-tts-twi

Синтез речиТекст → аудио3 профессии

Компактная VITS-модель Prince Nasamu Alhassan для синтеза речи на твi, дообученная на базе Meta MMS TTS.

141скачиваний 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 «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

Twi TTS (VITS) — модель синтеза речи, разработанная Prince Nasamu Alhassan. Она преобразует текст на языке твi в аудио и подходит для озвучивания коротких фраз и голосовых ответов. Модель дообучена на базе facebook/mms-tts-aka за 20 000 шагов; в репозитории 3,6 млн параметров и веса safetensors. Используется архитектура VITS и токенизация посимвольно.

Обучение проводилось на Ghana Speech и связанных ганских корпусах. Лицензия модели — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение. Для синтеза следует записывать числа словами: цифры и символы, отсутствующие в словаре токенизатора, могут молча пропускаться, а неподдерживаемые буквы — исчезать из озвучки. Карточка описывает работу как экспериментальный хакатонный проект без поддержки продукта; оценка на прочитанном и машинно переведённом тексте не гарантирует качество в реальных диалогах.

Сценарии применения

  • озвучивание фраз на твi
  • создание голосовых ответов на твi
  • синтез речи для голосовых интерфейсов на твi
  • озвучивание текстовых уведомлений на твi

Ограничения

Посимвольный токенизатор молча пропускает символы вне словаря; цифры нужно преобразовывать в слова перед синтезом. Качество оценивалось на прочитанном и машинно переведённом тексте, поэтому оно может не отражать полевое использование и код-свитчинг.

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

Twi TTS (VITS)

Author: Prince Nasamu Alhassan

Overview

Fine-tuned from facebook/mms-tts-aka. 20,000 steps.

Use it

import torch, soundfile as sf
from transformers import AutoTokenizer, VitsModel

repo  = "PrinceAlhassanNasamu/tekyerema-tts-twi"
tok   = AutoTokenizer.from_pretrained(repo)
model = VitsModel.from_pretrained(repo).eval()

with torch.no_grad():
    wav = model(**tok("your text here", return_tensors="pt")).waveform[0]
sf.write("out.wav", wav.numpy(), model.config.sampling_rate)

Read this before sending it real text. These VITS tokenisers are CHARACTER-level, and a character outside the vocabulary is dropped silently — no error, no gap in the audio. Measured on Kusaal agent commands, raw text loses 21.2% of its characters, and digits go entirely: "Send 20 cedis to 0551112233" is spoken as "Send cedis to".

Spell numbers into words before synthesis, and route any word whose letters this voice lacks to a voice that has them. AGENT/agent_core.py does both — verbalize_numbers and sayable_segments — which takes the loss to 0.0%.

Training data

Trained on the Ghana Speech dataset and related Ghanaian corpora, licensed CC BY-NC 4.0.

Intended use & license

Non-commercial use only (CC BY-NC 4.0). This is inherited from the training data and required by the terms under which the compute was granted: models trained in that window are non-commercial by condition of access, not by inference.

Limitations, stated plainly

  • Dagbani had no recogniser of its own for this whole project, and the reason given for that was wrong. Every card here said "one fine-tuning session on 74 validation rows would not change that". Those 74 rows are the eng-dag machine-translation validation split. The Dagbani speech data in this same account is waxal_dag: 13,228 training rows, 1,750 validation rows, ~71 hours, 1,041 speakers with the largest at 1% — more data and better speaker diversity than Ewe, which produced a working 42.19 WER recogniser. A number was carried across from a translation table into a speech claim, and then repeated on every model card on the account. It is training now, on 2026-08-31. Until it is scored, the honest statement is that Dagbani's best available recogniser scores 86.6 WER and nobody had tried fine-tuning on the data already in hand.
  • Evaluation is on read and machine-translated text. No recordings of people speaking agent commands in these languages exist. Numbers measured this way are optimistic about phrasing and pessimistic about code-switching, and should not be read as field performance.
  • Research work from a hackathon entry, not a supported product.

The rest of the family

Recognisers

Voices

Agent models

Translation

Routing

Acknowledgements

Compute resources provided by AI Skills and Compute Africa (AISCA). Trained on the Ghana NLP H200 GPU. Please keep derivatives non-commercial and share improvements back with the Ghana NLP community (ghananlpcommunity).

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
0ed389c

0 моделей