/ Модель

Характеристики

Параметры
3,6 млн
Архитектура
vits · dense
Базовая модель
mms-tts-urd-script_arabic
Библиотека
transformers
Опубликована
17 фев 2026

mms-tts-urd-fine-tuned

Генерация аудиоТекст → аудио3 профессии

Компактная модель VITS, дообученная для озвучивания текста на урду, записанного арабским письмом.

141скачиваний за 30 дней0лайковвеса обновлены17 фев 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

Модель hamza-amin предназначена для синтеза речи на урду: она преобразует текст на урду, записанный арабским письмом, в речь. Это дообученная версия facebook/mms-tts-urd-script_arabic из семейства MMS, построенная на архитектуре VITS; размер модели — 3,6 млн параметров. Модель работает через Transformers и подходит для локального или серверного синтеза речи, а также для учебных и исследовательских сценариев.

Модель обучалась на наборе codewithdark/urdu-tts. Количественной оценки качества не проводилось, а качество звучания зависит от обучающих данных. Она не предназначена для входного текста на Roman Urdu, других языков, клонирования голоса или идентификации говорящего; пригодность для пользовательского сервиса следует предварительно оценить на слух. Лицензия в предоставленных данных не указана.

Сценарии применения

  • озвучивание текста на урду арабским письмом
  • локальный синтез речи на урду
  • серверная генерация аудио из текста на урду
  • создание учебных демонстраций синтеза речи на урду

Ограничения

Модель не рассчитана на Roman Urdu и другие языки, не поддерживает клонирование голоса или идентификацию говорящего. Количественной оценки качества нет; качество может зависеть от обучающих данных, а различия региональных акцентов и диалектов не оценивались.

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

Model Card for MMS TTS Urdu

Model Details

Model Description

This is a Urdu text-to-speech (TTS) model fine-tuned from Facebook MMS (Massively Multilingual Speech) VITS for Urdu written in Arabic script.

The model converts Urdu text into natural-sounding speech using a non-autoregressive VITS-based architecture.

  • Developed by: hamza-amin
  • Model type: Text-to-Speech (TTS)
  • Language(s): Urdu (ur)
  • Finetuned from model: facebook/mms-tts-urd-script_arabic
  • Framework: 🤗 Transformers

Model Sources


Uses

Direct Use

  • Generating Urdu speech from Unicode Urdu text
  • Offline or server-side Urdu TTS inference
  • Research and educational purposes

Out-of-Scope Use

  • Roman Urdu input
  • Languages other than Urdu
  • Voice cloning or speaker identification

Bias, Risks, and Limitations

  • Output quality depends heavily on training data quality.
  • The model reflects linguistic and pronunciation patterns present in the dataset.
  • Not evaluated for fairness across regional accents or dialects.

Recommendations

Users should perform qualitative evaluation before deployment in user-facing applications.


How to Get Started with the Model

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

model_id = "hamza-amin/mms-tts-urd-fine-tuned"

tokenizer = AutoTokenizer.from_pretrained(model_id)
feature_extractor = AutoFeatureExtractor.from_pretrained(model_id)
model = VitsModel.from_pretrained(model_id)

inputs = tokenizer("میں اردو بول سکتا ہوں۔", return_tensors="pt")

with torch.no_grad():
    output = model(**inputs)

sf.write(
    "output.wav",
    output.waveform.squeeze().numpy(),
    feature_extractor.sampling_rate
)

Training Details

Training Data

  • Dataset: codewithdark/urdu-tts
  • Language: Urdu (Arabic script)

Training Procedure

  • Fine-tuned using Hugging Face finetune-hf-vits
  • Generator-only model exported for inference

Training Hyperparameters

  • Training regime: fp32

Evaluation

No formal quantitative evaluation was performed. Evaluation was based on qualitative listening tests.


Technical Specifications

Model Architecture and Objective

  • VITS (Variational Inference with Adversarial Learning for End-to-End TTS)
  • Objective: text-to-waveform generation

Software

  • transformers
  • PyTorch

Citation

If you use this model, please also cite the MMS and VITS papers:

@article{pratap2023mms,
  title={Scaling Speech Technology to 1,000+ Languages},
  author={Pratap et al.},
  journal={arXiv preprint arXiv:2305.13516},
  year={2023}
}

Model Card Authors

hamza-amin

Model Card Contact

Via Hugging Face profile: https://huggingface.co/hamza-amin

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
66dae3f

0 моделей