/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
7 окт 2026

ghana-vc-Kasem_xsm

Обработка аудиоАудио → аудио

Модель ghanaopenai для преобразования речи на Kasem в голос Zephyr с сохранением языка.

0скачиваний за 30 дней0лайковвеса обновлены8 окт 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

ghanaopenai/ghana-vc-Kasem_xsm — модель преобразования речи, разработанная ghanaopenai для конвертации голоса на языке Kasem (xsm) в голос Zephyr с сохранением языка. Это аудиомодель на основе дообученных весов DiT; она создана на базе zero-shot модели seed-uvit-whisper-small-wavenet и обучена на аудиоклипах Kasem из набора ghanaopenai/ghana-synthetic-speech. Опубликован чекпойнт после 1 000 шагов обучения.

Модель предназначена для преобразования аудиозаписей речи на Kasem с помощью библиотеки ghana-vc; библиотека автоматически выбирает её при совпадении названия конфигурации Kasem_xsm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. В README сообщается, что для других языков следует использовать ghanaopenai/ghana-vc; опубликованный чекпойнт выбран по чёткости произношения на Asante Twi, поэтому это сравнение само по себе не подтверждает качество для других языков.

Сценарии применения

  • преобразование записи речи на Kasem в голос Zephyr
  • конвертация голоса в аудиофайлах на Kasem
  • создание речевых аудиоданных на Kasem с голосом Zephyr

Ограничения

Модель обучена только на Kasem и предназначена для этого языка; для других языков README рекомендует ghanaopenai/ghana-vc. Коммерческое использование запрещено лицензией CC BY-NC 4.0.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ghana-vc-Kasem_xsm

Voice conversion for Kasem (xsm). An audio-to-audio model that converts speech into the Zephyr voice while preserving the language.

This checkpoint is dedicated to Kasem: it was fine-tuned only on Kasem (xsm) clips from ghanaopenai/ghana-synthetic-speech, starting from the zero-shot seed-uvit-whisper-small-wavenet base. Use it to convert audio in Kasem. For other languages — or as a cross-lingual fallback — use ghanaopenai/ghana-vc.

Use with ghana-vc

pip install git+https://github.com/GhanaNLP/ghana-vc

export HF_TOKEN=hf_...
ghana-vc convert \
  --dataset <org>/<audio-dataset> \
  --output  <org>/<result> \
  --config-name Kasem_xsm \
  --num-samples 100

The library auto-selects this model when the dataset/config name matches.

Files

FileDescription
ft_model.pthFine-tuned DiT weights (step 1,000)
config_dit_mel_seed_uvit_whisper_small_wavenet.ymlModel / training config
ref_zephyr.wavReference utterance of the Zephyr voice in Kasem
LICENSEUpstream Seed-VC GPL-3.0 text, retained for attribution

Training

  • Dataset: ghanaopenai/ghana-synthetic-speech config Kasem_xsm (Kasem)
  • Base: seed-uvit-whisper-small-wavenet (zero-shot)
  • Weights: the step-1,000 checkpoint. Comparing checkpoints from 500 to 3,500 steps on Asante Twi, step 1,000 kept pronunciation clearest (lowest character error rate with Omnilingual ASR CTC-300M), so it is the one published.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Обработка «аудио → аудио» пока не поддерживается.

Ревизия весов
eaf07c7

0 моделей