/ Модель

Характеристики

Контекст
600 токенов
Лицензия
MIT
Архитектура
speecht5 · dense
Базовая модель
speecht5_tts
Опубликована
29 апр 2024

zlm_b64_le4_s12000

Генерация аудиоТекст → аудио3 профессии

Дообученная версия SpeechT5 для преобразования текста в аудио.

35скачиваний за 30 дней0лайковвеса обновлены30 апр 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

zlmb64le4s12000 — дообученная Михаилом Панзо модель SpeechT5 для синтеза речи из текста. Она принимает текст и генерирует аудио; в метаданных указана архитектура SpeechT5ForTextToSpeech и формат весов safetensors. В README приведено значение loss 0,3114 на наборе оценки, но сведения о датасете и условиях оценки отсутствуют. Модель распространяется по лицензии MIT. Карточка не описывает целевые языки, голос или практические ограничения.

Сценарии применения

  • синтез речи из текста
  • озвучивание текстовых фраз
  • создание аудиоверсий коротких текстов

Ограничения

Датасет и условия оценки в карточке не описаны, а значение loss 0,3114 само по себе не позволяет судить о качестве синтеза. Поддерживаемые языки и характеристики голоса не указаны.

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_b64_le4_s12000

This model is a fine-tuned version of microsoft/speecht5_tts on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3114

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: 0.0001
  • 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: 12000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation Loss
0.54870.41885000.4746
0.4830.837510000.4227
0.4321.256315000.3983
0.4291.675020000.3953
0.41682.093825000.3701
0.40212.512630000.3613
0.39252.931335000.3509
0.38393.350140000.3506
0.37983.768845000.3423
0.36934.187650000.3375
0.37124.606455000.3367
0.36685.025160000.3316
0.36355.443965000.3291
0.35435.862670000.3250
0.35266.281475000.3221
0.35256.700280000.3218
0.35137.118985000.3182
0.3467.537790000.3163
0.34487.956495000.3162
0.35638.3752100000.3145
0.34498.7940105000.3126
0.34369.2127110000.3128
0.34139.6315115000.3121
0.339710.0503120000.3114

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
816a115

0 моделей