/ Модель

Характеристики

Лицензия
CC BY-SA 4.0
Базовая модель
Fun-CosyVoice3-0.5B-2512
Опубликована
6 июн 2026

kasanoma-tts-twi-v0.4

Синтез речиТекст → аудио3 профессии

Дообученная модель CosyVoice3 для синтеза речи на асанте-тви и английском с переключением языков и клонированием голоса по аудиообразцу.

48скачиваний за 30 дней0лайковвеса обновлены6 июн 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

Kasanoma TTS v0.4 — модель синтеза речи, разработанная Neriqlabs на основе дообучения CosyVoice3-0.5B от FunAudioLLM. Она предназначена для генерации речи на асанте-тви и английском, включая переключение между языками в одной фразе. Модель принимает текст и использует 16-кГц аудиообразец голоса для его клонирования; на выходе создаёт аудио с частотой дискретизации 24 кГц.

В README приведены результаты оценки разборчивости через обратное распознавание речи и оценки естественности UTMOSv2. Авторы отмечают улучшения относительно предыдущих версий, но указывают, что эти метрики относительные: UTMOSv2 обучена на английском, а калибровка MOS для носителей языка ещё не выполнена. Модель распространяется по лицензии CC BY-SA 4.0; в обучающую смесь версии 0.4 включена часть датасета WAXAL `twi_tts` под CC BY 4.0.

Сценарии применения

  • синтез речи на асанте-тви из текста
  • озвучивание английского текста с ганским голосом
  • синтез фраз со смешением тви и английского
  • клонирование голоса по короткому аудиообразцу
  • создание голосовых интерфейсов для пользователей в Гане

Ограничения

Оценки разборчивости основаны на обратном распознавании и зависят от ошибок TubaSTT; UTMOSv2 обучена на английском, поэтому её оценка для тви относительна. Калибровка оценок MOS носителями языка ещё не завершена.

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

Kasanoma TTS v0.4 — Asante Twi + English + code-switch voice

CosyVoice3-0.5B (Apache-2.0) fine-tune for Ghanaian voice AI (Neriqlabs). v0.4 adds the WAXAL twi_tts studio split (google/WaxalNLP, CC-BY-4.0 — the cleanest Akan TTS audio that exists) to the clean-license training mix, which sharply improves English while keeping the Twi gains.

Eval — round-trip ASR-WER via TubaSTT v0.5 (lower=better) + UTMOSv2 naturalness (higher=better)

Categoryv0.1 WERv0.3 WERv0.4 WERv0.4 UTMOS
Asante Twi26.720.618.53.02
English23.726.618.93.18
Twi–English code-switch57.246.147.83.06

Beats the original v0.1 on all three (Twi −8.2, English −4.8, code-switch −9.4) and the prior v0.3 decisively on English (−7.7 WER, +0.19 naturalness) while improving Twi. Round-trip WER is a relative intelligibility signal (it bakes in the ASR's own error); UTMOSv2 is English-trained so cross-lingual MOS is relative. Native MOS calibration pending.

Training data (all commercially clean-license)

BibleTTS Asante (CC-BY-SA) + Ashesi Financial-Inclusion (CC-BY) + Common Voice Twi (CC0) + WAXAL twi_tts studio (CC-BY-4.0). 36,926 utterances / 66 speakers. Only the llm (text→speech-token) stage is fine-tuned; flow-matching + HiFi-GAN vocoder transfer from the base. NFC-normalized, ɛ (U+025B) / ɔ (U+0254) preserved.

Usage

from cosyvoice.cli.cosyvoice import CosyVoice3
cv = CosyVoice3("kasanoma-tts-twi-v0.4", load_trt=False, fp16=False)
prompt_wav = "ref_voice.wav"      # 16 kHz reference for the voice to clone
text = "You are a helpful assistant.<|endofprompt|>me PIN no reset, please help me"
for out in cv.inference_cross_lingual(text, prompt_wav, stream=False, text_frontend=False):
    audio = out["tts_speech"]     # 24 kHz

License

Weights CC-BY-SA-4.0 (inherited from BibleTTS, most restrictive source). Backbone CosyVoice3 is Apache-2.0. Built by Neriqlabs (founder: Samson Nkrumah) for Ghanaian-language voice AI.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
9ef4b2d

0 моделей