/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
6 авг 2026

stable-twi-tts

Синтез речиТекст → аудио3 профессии

Модель Piper VITS озвучивает текст на твийском языке и ганском английском, включая смешанные фразы.

7скачиваний за 30 дней0лайковвеса обновлены6 авг 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

stable-twi-tts — модель синтеза речи на основе Piper VITS, разработанная michsethowusu для озвучивания твийского языка и английских слов в ганском контексте. Модель дообучена с исходной англоязычной модели en_US/libritts_r/medium на 327 часах вещательной речи: примерно поровну на твийском и ганском английском. Она использует фонемы IPA из общего набора, поддерживает смешанный текст и выдаёт аудио с частотой 22,05 кГц.

Модель подходит для озвучивания текстов на твийском, ганском английском и их сочетания; для смешанного текста голос twi-1 показал лучшие результаты, а для текста только на твийском — twi-6. По оценке фонемных ошибок качество для твийского заметно лучше, чем для английского; английские записи звучат менее чётко и ограничены полосой частот до 8 кГц. Голоса основаны на кластеризации вещательной речи, а не на реальных согласованных личностях; модель лучше подходит для новостного регистра, чем для разговорной речи. Лицензия CC BY-NC 4.0 разрешает только некоммерческое использование.

Сценарии применения

  • озвучивание новостных текстов на твийском языке
  • синтез речи на ганском английском
  • озвучивание смешанных фраз на твийском и английском
  • создание аудиоверсий текстов для вещания на ганских языках

Ограничения

Качество английской речи заметно слабее твийской, а английский звук ограничен полосой частот до 8 кГц. Модель обучена на вещательной речи с автоматической фонемной разметкой; голоса являются псевдоличностями, а лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями.

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 / Ghanaian English TTS (IPA-driven)

A Piper VITS voice for Twi that also reads the English words Ghanaian text is full of. It is driven by IPA phonemes rather than orthography, which is what lets one model serve both languages from a shared inventory.

Warm-started from en_US/libritts_r/medium and finetuned on 327 h (164 h Twi + 164 h Ghanaian English), 22.05 kHz, 1,555 speaker embeddings.

Use it

pip install stable-twi-tts && pip install "stable-twi-tts[twi]" && apt install espeak-ng
stable-twi-tts --model . --voice twi-6 --text "Akwaaba, wo ho te sen?" --out hello.wav
stable-twi-tts --model . --language mixed --voice twi-1 \
    --text "Mepe se mesua [computer science] wo [University of Ghana]." --out mixed.wav

Code: https://github.com/GhanaNLP/stable-twi-tts

Voices are ranked by measurement, not by training hours

12 voices are exposed of 1,555 speaker embeddings. Each synthesised the same held-out text, which was re-recognised and scored for phoneme error -- Twi with ghana-speech-phoneme-asr, the English spans with KoelLabs/xlsr-english-01.

pickforbest
tiers.codeswitchtext mixing English into Twitwi-1 (59.8%)
tiers.twi_onlypure Twitwi-6 (26.8%; floor 25.9%)

The two rankings disagree sharply. twi-1 is the best code-switch voice yet 21st of 30 on pure Twi. Two of the three best Twi voices have under 3.3 h of audio each and would never have survived an hours-based shortlist. voices.json records every measurement.

Quality, honestly

Round-trip phoneme error against a real-audio floor, on held-out text:

floormodelgap
Twi25.9%33.5%+7.6
English32.2%59.5%+27.3

Twi is good; English is markedly weaker. English had a third of the utterances (43k vs 151k) at 3.5x the length, and VITS learns alignment per utterance, so English got far less practice on harder material. English audio was also 16 kHz upsampled to 22.05 kHz, so English voices are band-limited to 8 kHz and sound duller. Twi was 24 kHz and is unaffected.

Finetuning

finetune/ has the Lightning checkpoint, the phoneme id map, the training command and dataset stats. The phoneme id map is required -- the weights encode "id 26 means /n/", so loading them against a different map yields nonsense. See finetune/FINETUNING.md, which also documents two traps: resize the speaker table before loading, and clear the phoneme cache or stale targets are silently reused.

Limits

  • Speakers are derived, not real identities -- pseudo-speakers from clustering unlabelled broadcast audio. One person may appear as two voices, and no voice is a consented identity.
  • Trained on broadcast speech, so it suits news-register text better than conversation.
  • Training targets came from an ASR, not human annotation, at roughly 17% phoneme error.
  • cc-by-nc-4.0: non-commercial, inherited from the Twi source audio.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
b73fce1

0 моделей