/ Модель

Характеристики

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

mms-tts-wol-baseline

Синтез речиТекст → аудио3 профессии

Подготовительная конфигурация VITS для дообучения синтеза речи на волофском языке на базе прокси-модели для фула.

213скачиваний 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

Это подготовительный репозиторий для независимого дообучения модели синтеза речи на волофском языке, созданный на основе конфигурации VITS проекта MMS и данных WAXAL от AIMS Senegal. В карточке указано, что репозиторий не содержит весов: при обучении скрипт загружает их из facebook/mms-tts-ful — модели для фула, выбранной как прокси из-за отсутствия модели MMS для волофа. Дообучение на конфигурации google/WaxalNLP wol_tts адаптирует акустические и просодические характеристики к целевому языку.

Архитектура VITS выполняет сквозной синтез речи без отдельного вокодера. В метаданных указан размер 3,5 млн параметров; формат весов в репозитории обозначен как safetensors, хотя README уточняет, что сами веса здесь не хранятся. Модель предназначена для генерации речи по тексту на волофском языке. Репозиторий распространяется по лицензии CC-BY-NC-4.0; данные WAXAL имеют отдельную лицензию CC-BY-SA-4.0.

Сценарии применения

  • подготовка модели для озвучивания текста на волофском языке
  • дообучение синтеза речи на корпусе WAXAL wol_tts
  • адаптация акустики и просодии модели MMS к волофскому языку

Ограничения

Репозиторий не содержит весов и сам по себе не является готовой для инференса моделью; для обучения загружаются веса facebook/mms-tts-ful. Исходная модель рассчитана на фула, поэтому качество синтеза на волофском зависит от дообучения на данных WAXAL.

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 — Wolof (wol)

Fine-tuning-ready checkpoint for Wolof (wol).

WAXAL dataset configgoogle/WaxalNLP — wol_tts
Data providerAIMS Senegal
WAXAL data licenseCC-BY-SA-4.0
Base modelfacebook/mms-tts-ful
Model licenseCC-BY-NC 4.0 (MMS base; governs fine-tuned model)

⚠️ Proxy checkpoint

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

Proxy donorfacebook/mms-tts-ful
Ranked alternativesful, bam
Other WAXAL languages sharing this donornone

Proximity rationale: Wolof (wol) has no MMS checkpoint. Proxy: ful (Fula; same Atlantic-Congo/Senegambian branch — Wolof and Fula are the two major Senegambian languages). Secondary: bam (Bambara, Mande; different branch but geographically adjacent in West Africa / Senegal region).

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-ful, 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-wol-baseline",
  "feature_extractor_name": "rnjema-unima/mms-tts-wol-baseline",
  "dataset_name":           "google/WaxalNLP",
  "dataset_config_name":    "wol_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 Wolof.", 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_size41
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
d69aac9

0 моделей