/ Модель

Характеристики

Контекст
8 192 токена
Параметры
366 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolLM2-360M
Библиотека
transformers
Опубликована
2 фев 2025

YarnGPT2

Генерация текстаТекст → текст3 профессии

YarnGPT2 — дообученная языковая модель для синтеза речи с нигерийским акцентом, прежде всего на английском языке.

1 590скачиваний за 30 дней11лайковвеса обновлены14 мар 2025

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 «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат 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

YarnGPT2 — модель синтеза речи, разработанная Saheedniyi и дообученная на HuggingFaceTB/SmolLM2-360M. Она использует языковое моделирование для преобразования текста в аудио с нигерийским акцентом; в README перечислены голоса для английского, йоруба, игбо и хауса. Метаданные указывают 365,7 млн параметров, архитектуру LlamaForCausalLM, контекст до 8192 токенов и библиотеку Transformers.

Модель предназначена для экспериментального создания речи, например озвучивания новостей и других текстов. В README отмечено, что качество может зависеть от автоматически созданных обучающих текстов, а модель может недостаточно представлять разнообразие нигерийских акцентов. Карточка ограничивает заявленное применение английской речью с нигерийским акцентом и предостерегает от использования для других языков и акцентов. Лицензия — Apache-2.0.

Сценарии применения

  • озвучивание новостных текстов нигерийским английским
  • экспериментальный синтез речи с нигерийским акцентом
  • генерация речи с выбором голоса из доступного набора
  • создание аудиоверсий текстов для демонстраций и прототипов

Ограничения

README указывает, что модель не предназначена для других языков и акцентов и может не отражать разнообразие нигерийских акцентов. Автоматически сгенерированные обучающие тексты могли повлиять на качество.

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

YarnGPT2

image/png

Table of Contents

  1. Model Summary
  2. Model Description
  3. Bias, Risks, and Limitations
  4. Speech Samples
  5. Training
  6. Future Improvements
  7. Citation
  8. Credits & References

Model Summary

YarnGPT2 is a text-to-speech (TTS) model designed to synthesize Nigerian-accented Languages (yoruba, igbo, hausa and english) leveraging pure language modelling without external adapters or complex architectures, offering high-quality, natural, and culturally relevant speech synthesis for diverse applications.

How to use (Colab)

The model can generate audio on its own but its better to use a voice to prompt the model:

Voices (arranged in order of perfomance and stability)
  • English: idera, chinenye, jude, emma,umar,,joke,zainab ,osagie, remi, tayo
  • Yoruba: yoruba_male2, yoruba_female2, yoruba_feamle1
  • Igbo: igbo_female2, igbo_male2,igbo_female1,
  • Hausa: hausa_feamle1,hausa_female2, hausa_male2,hausa_male1

Prompt YarnGPT2


!git clone https://github.com/saheedniyi02/yarngpt.git

pip install outetts uroman

import os
import re
import json
import torch
import inflect
import random
import uroman as ur
import numpy as np
import torchaudio
import IPython
from transformers import AutoModelForCausalLM, AutoTokenizer
from outetts.wav_tokenizer.decoder import WavTokenizer


!wget https://huggingface.co/novateur/WavTokenizer-medium-speech-75token/resolve/main/wavtokenizer_mediumdata_frame75_3s_nq1_code4096_dim512_kmeans200_attn.yaml
!gdown 1-ASeEkrn4HY49yZWHTASgfGFNXdVnLTt


from yarngpt.audiotokenizer import AudioTokenizerV2

tokenizer_path="saheedniyi/YarnGPT2"
wav_tokenizer_config_path="/content/wavtokenizer_mediumdata_frame75_3s_nq1_code4096_dim512_kmeans200_attn.yaml"
wav_tokenizer_model_path = "/content/wavtokenizer_large_speech_320_24k.ckpt"


audio_tokenizer=AudioTokenizerV2(
    tokenizer_path,wav_tokenizer_model_path,wav_tokenizer_config_path
    )


model = AutoModelForCausalLM.from_pretrained(tokenizer_path,torch_dtype="auto").to(audio_tokenizer.device)

#change the text
text="The election was won by businessman and politician, Moshood Abiola, but Babangida annulled the results, citing concerns over national security."

# change the language and voice
prompt=audio_tokenizer.create_prompt(text,lang="english",speaker_name="idera")

input_ids=audio_tokenizer.tokenize_prompt(prompt)

output  = model.generate(
            input_ids=input_ids,
            temperature=0.1,
            repetition_penalty=1.1,
            max_length=4000,
            #num_beams=5,# using a beam size helps for the local languages but not english
        )

codes=audio_tokenizer.get_codes(output)
audio=audio_tokenizer.get_audio(codes)
IPython.display.Audio(audio,rate=24000)
torchaudio.save(f"Sample.wav", audio, sample_rate=24000)

Model Description

Uses

Generate Nigerian-accented English speech for experimental purposes.

Out-of-Scope Use

The model is not suitable for generating speech in languages other than English or other accents.

Bias, Risks, and Limitations

The model may not capture the full diversity of Nigerian accents and could exhibit biases based on the training dataset. Also a lot of the text the model was trained on were automatically generated which could impact performance.

Recommendations

Users (both direct and downstream) should be made aware of the risks, biases, and limitations of the model. Feedback and diverse training data contributions are encouraged.

Speech Samples

Listen to samples generated by YarnGPT:

Training

Data

Trained on a dataset of publicly available Nigerian movies, podcasts ( using the subtitle-audio pairs) and open source Nigerian-related audio data on Huggingface,

Preprocessing

Audio files were preprocessed and resampled to 24Khz and tokenized using wavtokenizer.

Training Hyperparameters

  • Number of epochs: 5
  • batch_size: 4
  • Scheduler: linear schedule with warmup for 4 epochs, then linear decay to zero for the last epoch
  • Optimizer: AdamW (betas=(0.9, 0.95),weight_decay=0.01)
  • Learning rate: 1*10^-3

Hardware

  • GPUs: 1 A100 (google colab: 50 hours)

Software

  • Training Framework: Pytorch

Future Improvements?

  • Scaling up model size and human-annotaed/ reviewed training data
  • Wrap the model around an API endpoint
  • Voice cloning.
  • Potential expansion into speech-to-speech assistant models

Citation [optional]

BibTeX:

@misc{yarngpt2025,
  author = {Saheed Azeez},
  title = {YarnGPT: Nigerian-Accented English Text-to-Speech Model},
  year = {2025},
  publisher = {Hugging Face},
  url = {https://huggingface.co/SaheedAzeez/yarngpt}
}

APA:

Saheed Azeez. (2025). YarnGPT: Nigerian-Accented English Text-to-Speech Model. Hugging Face. Available at: https://huggingface.co/saheedniyi/YarnGPT

Credits & References

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
bf654c7

0 моделей