/ Модель

Характеристики

Контекст
600 токенов
Архитектура
speecht5 · dense
Базовая модель
zlm_b128_le4_s12000
Опубликована
1 мая 2024

zlm-fil_b64_le5_s8000

Генерация аудиоТекст → аудио3 профессии

Дообученная модель SpeechT5 для генерации аудио по тексту.

9скачиваний за 30 дней0лайковвеса обновлены4 мая 2024

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

zlm-filb64le5s8000 — дообученная модель семейства SpeechT5, созданная на основе mikhail-panzo/zlm_b128_le4_s12000. По задаче text-to-audio она предназначена для генерации аудио по тексту, в том числе для сценариев синтеза речи.

Модель сохранена в формате safetensors. В README приведено значение Loss 0.4077 на оценочном наборе, но подробности набора данных, языков, качества и ограничений не описаны. Лицензия в доступных данных не указана.

Сценарии применения

  • синтез аудио по текстовому вводу
  • эксперименты с генерацией речи

Ограничения

Языки, данные обучения и практическое качество не описаны; указан только Loss 0.4077 на оценочном наборе. Лицензия не приведена.

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

zlm-fil_b64_le5_s8000

This model is a fine-tuned version of mikhail-panzo/zlm_b128_le4_s12000 on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.4077

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 32
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 2000
  • training_steps: 8000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation Loss
0.554121.73915000.4977
0.493143.478310000.4529
0.469565.217415000.4330
0.451886.956520000.4230
0.4442108.695725000.4179
0.4344130.434830000.4135
0.4318152.173935000.4111
0.4201173.913040000.4110
0.4185195.652245000.4091
0.4153217.391350000.4097
0.414239.130455000.4069
0.4113260.869660000.4080
0.4133282.608765000.4073
0.4095304.347870000.4059
0.4129326.087075000.4083
0.4035347.826180000.4077

Framework versions

  • Transformers 4.41.0.dev0
  • Pytorch 2.2.1+cu121
  • Datasets 2.19.0
  • Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
SpeechT5ForTextToSpeech
Ревизия весов
d26da84

0 моделей