/ Модель

Характеристики

Параметры
3,5 млн
Лицензия
CC BY-NC 4.0
Архитектура
vits · dense
Базовая модель
mms-tts-aka
Опубликована
4 апр 2026

mms-tts-bci-baseline

Синтез речиТекст → аудио3 профессии

Подготовленный к дообучению прокси-чекпойнт VITS на базе MMS-TTS для создания синтеза речи на языке бауле.

155скачиваний за 30 дней1лайквеса обновлены4 апр 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

rnjema-unima/mms-tts-bci-baseline — подготовленный к дообучению контрольный набор для синтеза речи на языке бауле (Baoulé, bci), созданный на основе WAXAL и модели Meta MMS-TTS для акан. Это прокси-инициализация: отдельной модели MMS-TTS для bci нет, поэтому в качестве близкого донора используется facebook/mms-tts-aka; акустические и просодические параметры донора предназначены для адаптации к бауле при обучении на конфигурации bci_tts датасета google/WaxalNLP, предоставленной University of Ghana.

Модель основана на архитектуре VITS и рассчитана на сквозное преобразование текста в речь без отдельного вокодера. В репозитории указано 3,5 млн параметров, однако сами веса здесь не хранятся: при обучении скрипт должен загрузить их из facebook/mms-tts-aka. Репозиторий содержит изменения конфигурации и препроцессора для совместимости с процедурой дообучения, поэтому README описывает прежде всего обучающий чекпойнт, а не готовый для непосредственного синтеза голос.

Лицензия репозитория — CC-BY-NC-4.0. Данные WAXAL указаны под CC-BY-4.0; условия использования данных и модели следует учитывать отдельно. Качество синтеза на бауле зависит от последующего дообучения на целевом датасете, поскольку исходные веса относятся к акан.

Сценарии применения

  • подготовка модели синтеза речи на бауле
  • дообучение VITS на корпусе WAXAL bci_tts
  • создание голосового интерфейса на бауле после адаптации модели

Ограничения

Репозиторий не содержит весов и сам по себе не является готовой моделью для инференса; для синтеза на бауле требуется дообучение. Исходный донор обучен для акан, поэтому качество на бауле без адаптации не гарантируется.

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

WAXAL MMS-TTS — Baoulé (bci)

Fine-tuning-ready checkpoint for Baoulé (bci).

WAXAL dataset configgoogle/WaxalNLP — bci_tts
Data providerUniversity of Ghana
WAXAL data licenseCC-BY-4.0
Base modelfacebook/mms-tts-aka
Model licenseCC-BY-NC 4.0 (MMS base; governs fine-tuned model)

⚠️ Proxy checkpoint

facebook/mms-tts-bci does not exist in MMS-TTS coverage (1107 languages). This repository fine-tunes from the closest available linguistic donor:

Proxy donorfacebook/mms-tts-aka
Ranked alternativesaka, fon, ewe
Other WAXAL languages sharing this donorfat (Akan – Fante), twi (Akan – Twi)

Proximity rationale: Baoulé (bci) has no MMS checkpoint. Proxy: aka (Akan, Kwa branch, Volta-Congo). Baoulé is a Kwa language in the Anyi-Baoulé subgroup, closely related to the broader Akan cluster. Secondary: fon (Fon, Kwa), ewe (Ewe, Kwa / Gbe cluster). fat, twi, and bci all fine-tune from the same aka base independently.

Each recipient language is fine-tuned independently from the same donor base. Donor weights provide acoustic/prosodic warm-start; WAXAL fine-tuning adapts them to the target language.

What this repository adds

facebook/mms-tts-* Hub checkpoints are inference-only releases that crash run_vits_finetuning.py. This repository applies three patches:

FileChange
config.jsonpad_token_id set to 0 (was null)
tokenizer_config.jsonpad_token entry added
preprocessor_config.jsonAdded — VitsFeatureExtractor config from ylacombe/mms-tts-eng-train

Model weights are not stored here. _name_or_path in config.json points to facebook/mms-tts-aka, so run_vits_finetuning.py loads weights from that checkpoint at training time.

preprocessor_config.json

Downloaded verbatim from ylacombe/mms-tts-eng-train. Values are VITS architecture constants shared by all MMS-TTS languages.

FieldValue
feature_extractor_typeVitsFeatureExtractor
feature_size80
hop_length256
max_wav_value32768.0
n_fft1024
padding_sideright
padding_value0.0
return_attention_maskFalse
sampling_rate16000
spec_gain1

Usage in finetune-hf-vits

{
  "model_name_or_path":     "rnjema-unima/mms-tts-bci-baseline",
  "feature_extractor_name": "rnjema-unima/mms-tts-bci-baseline",
  "dataset_name":           "google/WaxalNLP",
  "dataset_config_name":    "bci_tts",
  "audio_column_name":      "audio",
  "text_column_name":       "text",
  "train_split_name":       "train",
  "eval_split_name":        "validation"
}

Inference (after fine-tuning)

from transformers import VitsModel, VitsTokenizer
import torch, scipy

model     = VitsModel.from_pretrained("your-org/your-finetuned-model")
tokenizer = VitsTokenizer.from_pretrained("your-org/your-finetuned-model")

inputs = tokenizer("Your text in Baoulé.", return_tensors="pt")
with torch.no_grad():
    out = model(**inputs)

scipy.io.wavfile.write("output.wav", model.config.sampling_rate,
    out.waveform.squeeze().numpy())

Technical details

ArchitectureVITS (end-to-end, no separate vocoder)
MMS match typeproxy
pad_token_id0
vocab_size30
is_uromanfalse
sampling_rate16000 Hz

References

BibTex Citation:

This model was developed by Vineel Pratap et al. from Meta AI. If you use the model, consider citing the MMS paper:

@article{pratap2023mms, title={Scaling Speech Technology to 1,000+ Languages}, author={Vineel Pratap and Andros Tjandra and Bowen Shi and Paden Tomasello and Arun Babu and Sayani Kundu and Ali Elkahky and Zhaoheng Ni and Apoorv Vyas and Maryam Fazel-Zarandi and Alexei Baevski and Yossi Adi and Xiaohui Zhang and Wei-Ning Hsu and Alexis Conneau and Michael Auli}, journal={arXiv}, year={2023} }

Notable Acknowledgements:

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
7f0614e

0 моделей