/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
xtts-v2-igbo-openbible
Опубликована
2 окт 2026

xtts-v2-igbo-conversational

Синтез речиТекст → аудио4 профессии

Дообученная Coqui XTTS-v2 для синтеза естественной разговорной речи на игбо с возможностью клонирования голоса.

142скачиваний за 30 дней0лайковвеса обновлены4 окт 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

XTTS-v2 Igbo Conversational — дообученная модель Coqui XTTS-v2 от автора samuelolubukun для синтеза разговорной речи на игбо. Она адаптирована от чекпойнта samuelolubukun/xtts-v2-igbo-openbible на материалах Igbo-раздела Nigerian Common Voice и рассчитана на более естественный темп, выразительные тоновые контуры и разнообразие голосов по сравнению с исходной моделью для чтения библейских текстов.

Модель содержит 521,8 млн параметров и использует архитектуру с авторегрессионным GPT-кодировщиком текста и мел-спектрограммы и дискретным VAE-вокодером. Токенизатор расширен для игбо, включая метку языка [ig] и поддержку специфической орфографии с подточиями и носовой ñ. Модель принимает текст на игбо и аудиозапись голоса для клонирования тембра, а выдаёт синтезированную речь.

Она подходит для озвучивания разговорных фраз, локализованных голосовых интерфейсов и проектов доступности или сохранения языкового наследия. Карточка сообщает об улучшении соответствия разговорному темпу и женскому тембру, однако результат зависит от качества эталонной записи. Для лучшего произношения следует сохранять стандартную орфографию игбо; лицензия унаследована от Coqui Public Model License / MRCUL.

Сценарии применения

  • озвучивание разговорных фраз на игбо
  • синтез речи для голосового интерфейса на игбо
  • клонирование согласованного голоса для озвучивания текста
  • создание аудиоматериалов на игбо для доступности
  • подготовка речевых материалов для сохранения языка игбо

Ограничения

Качество синтеза зависит от чистоты эталонной записи: шум, фоновая речь и клиппинг могут ухудшить результат. Для точного произношения необходимо сохранять орфографические знаки игбо, включая подточия и ñ; при клонировании узнаваемого голоса требуется согласие его владельца.

Для каких профессий подходит4

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

XTTS-v2 Igbo Conversational (Common Voice Domain-Adapted)

This repository provides fine-tuned weights, extended tokenizer vocabulary, and configuration files for Coqui XTTS-v2 adapted for conversational Igbo (ig).

This model represents Stage 2 in a two-stage training strategy:

  1. Stage 1 (Foundation): samuelolubukun/xtts-v2-igbo-openbible — 8-epoch foundation model trained on high-fidelity OpenBible audio to master Igbo orthography, sub-dots (ị, ọ, ụ), nasal ñ, and stable phonetics.
  2. Stage 2 (Conversational Adaptation — This Model): Adapted from the Stage 1 checkpoint on benjaminogbonna/nigerian_common_voice_dataset (Igbo split) across 4 full epochs using a conservative learning rate (1.5e-6) to break the rigid, ecclesiastical narration register and learn natural conversational speech rates, downstep pitch contours, and diverse speaker timbres without catastrophic forgetting.

Model Summary

  • Base Architecture: Coqui XTTS-v2 (Autoregressive GPT text/mel encoder + Discrete VAE spectrogram vocoder)
  • Base Model Checkpoint: samuelolubukun/xtts-v2-igbo-openbible (31,360 steps)
  • Parameters: 521.8M
  • Target Language: Igbo (ig)
  • Tokenizer: Extended Byte Pair Encoding (BPE) with special language tag [ig] (extended vocabulary: 11,533 tokens)
  • Adaptation Dataset: benjaminogbonna/nigerian_common_voice_dataset (Igbo split)
  • Filtered Training Set: 2,809 clean conversational audio samples (filtered for length 1.5s–12s and valid text)
  • Adaptation Steps: 7,488 optimization steps (4 epochs, lr=1.5e-6, grad_accum=4, batch_size=2)
  • Hardware: NVIDIA A10G (24 GB VRAM)

Conversational Adaptation Dashboard & Convergence

The visualization below highlights the multidimensional shift from the Stage 1 OpenBible foundation model to this Stage 2 Common Voice conversational model across speaking rate alignment, pitch tracking, acoustic loss, and timbre fidelity:

Conversational Adaptation Dashboard

Training Progression Summary

Stage / StepGlobal StepTrain LossText CE LossMel Spectrogram LossNotes
Adaptation Start00.98120.04253.8210Initialized directly from OpenBible 31,360-step foundation weights
Epoch 2 Midpoint2,1000.87600.04213.4620Mel loss drops steadily as conversational acoustics take hold
Epoch 3 Midpoint4,2000.86070.04113.4019Consistent descent; text loss stable with zero forgetting
Adaptation Final7,4880.84870.03843.3547Mastered human conversational pace and downstep contours

Acoustic Improvements Over Stage 1

Objective acoustic and linguistic evaluation across unseen Common Voice test speakers demonstrates significant improvements:

MetricStage 1 (OpenBible Foundation)Stage 2 (Conversational Adapted - This Model)Improvement / Impact
Human Speaking Rate MatchRushed / abrupt on compounds (4.78s)6.36s (Matches Human Target: 6.59s)Natural conversational phrasing matching human breath groups
Female Speaker Timbre Match197.8 Hz (biased to male narrator)233.7 Hz (Matches Female Target: 251.5 Hz)+35.9 Hz: Clones real female pitch without deep voice bleeding
Pitch Dynamic Range (StdDev)40.5 Hz67.6 Hz+66.9%: Dynamic tonal expressiveness on Igbo downstep contours
Vocal Timbre Match Score68.0%93.0%+36% improvement in zero-shot voice cloning fidelity

Audio Comparison: Original vs. Stage 1 vs. Stage 2 Cloned Synthesis

Below is a side-by-side comparison between the unseen reference speakers and the speech synthesized by the Stage 1 foundation model versus this Stage 2 conversational adapted model.

All reference audios are sourced from benjaminogbonna/nigerian_common_voice_dataset (Igbo split) by Benjamin Ogbonna:

Sample 1 (Cultural Festival): "kọwàrà mmemme iri ji ọhụrụ dịka oke omenala n'ala Igbo."

Original Reference (Common Voice)XTTS-v2 Stage 1 (OpenBible Foundation)XTTS-v2 Stage 2 (Conversational Adapted)

Sample 2 (National Recognition): "ma mee ya ka ọ gbagotekwuo n'ogoogo ịbụ emume a mà àmá n'ala Nigeria."

Original Reference (Common Voice)XTTS-v2 Stage 1 (OpenBible Foundation)XTTS-v2 Stage 2 (Conversational Adapted)

Sample 3 (Expressive & Reflective): "Ọ kpọpụtàsịrị ihe dị iche iche nke ahụ pụrụ ibute."

Original Reference (Common Voice)XTTS-v2 Stage 1 (OpenBible Foundation)XTTS-v2 Stage 2 (Conversational Adapted)

Sample 4 (Everyday Descriptive): "Nwata nwagbọghọ a mara mma ma nwekwaa ezigbo agwa."

Original Reference (Common Voice)XTTS-v2 Stage 1 (OpenBible Foundation)XTTS-v2 Stage 2 (Conversational Adapted)

Sample 5 (Civic & Education): "A kọwaala ọba akwụkwọ dịka ụlọọrụ dị mkpà n'ịkwàlite mmepe obodo."

Original Reference (Common Voice)XTTS-v2 Stage 1 (OpenBible Foundation)XTTS-v2 Stage 2 (Conversational Adapted)

🔁 Stage 1 OpenBible Benchmark Samples: Foundation vs. Conversational Comparison

These are the exact benchmark samples originally evaluated on the samuelolubukun/xtts-v2-igbo-openbible Stage 1 foundation model repository. Below, the same reference audio clips and prompt texts are synthesized side-by-side using the Stage 2 Conversational fine-tuned model to directly compare the change in cadence, natural pacing, and conversational tone:

Stage 1 Benchmark Sample 1: "mbize kwesiri ka e lebàra ya anya mgwamgwa ugbua"

Column 1: Original Reference AudioColumn 2: XTTS-v2 Stage 1 (OpenBible Foundation)Column 3: XTTS-v2 Stage 2 (Conversational Adapted)

Stage 1 Benchmark Sample 2: "Amụrụ ya na Jos, steetị Naijiria."

Column 1: Original Reference AudioColumn 2: XTTS-v2 Stage 1 (OpenBible Foundation)Column 3: XTTS-v2 Stage 2 (Conversational Adapted)

Stage 1 Benchmark Sample 3: "nke onye nọchitere anya ya bụ onyeisi ọrụ oyibo na steeti ahụ"

Column 1: Original Reference AudioColumn 2: XTTS-v2 Stage 1 (OpenBible Foundation)Column 3: XTTS-v2 Stage 2 (Conversational Adapted)

Repository Files

This repository contains all files necessary to run standalone synthesis or merge with standard Coqui pipelines:

FileDescription
model.pthConversational fine-tuned GPT decoder weights (checkpoint_7200.pth)
config.jsonUpdated model configuration with ig language enabled
vocab.jsonExtended BPE tokenizer vocabulary (11,533 tokens)
dvae.pthDiscrete VAE acoustic spectrogram decoder
mel_stats.pthMel spectrogram normalization statistics
training_curves.pngHigh-resolution 4-panel conversational adaptation dashboard
samples/5-way zero-shot voice cloning audio demonstrations

How to Use

Ensure TTS and torch are installed:

pip install TTS torch torchaudio huggingface_hub

Load and synthesize directly from this Hugging Face repository:

import torch
import torchaudio
from huggingface_hub import snapshot_download
from TTS.tts.configs.xtts_config import XttsConfig
from TTS.tts.models.xtts import Xtts

# 1. Download checkpoint files
model_dir = snapshot_download(repo_id="samuelolubukun/xtts-v2-igbo-conversational")

# 2. Load model config and initialize
config = XttsConfig()
config.load_json(f"{model_dir}/config.json")
model = Xtts.init_from_config(config)
model.load_checkpoint(
    config,
    checkpoint_path=f"{model_dir}/model.pth",
    vocab_path=f"{model_dir}/vocab.json",
    use_deepspeed=False
)
model.cuda() if torch.cuda.is_available() else model.cpu()

# 3. Compute speaker conditioning latents from a reference audio file (3-10 seconds)
gpt_cond_latent, speaker_embedding = model.get_conditioning_latents(
    audio_path="path/to/speaker_reference.wav",
    gpt_cond_len=30,
    max_ref_length=30,
    sound_norm_refs=False,
)

# 4. Generate conversational Igbo speech
text = "Nnọọ, kedu ka ị mere? Anyị na-asụ asụsụ Igbo ugbu a n'ụzọ dị nro."
out = model.inference(
    text=text,
    language="ig",
    gpt_cond_latent=gpt_cond_latent,
    speaker_embedding=speaker_embedding,
    temperature=0.3,
    length_penalty=1.0,
    repetition_penalty=5.0,
    top_k=30,
    top_p=0.85,
)

# 5. Save output audio (24,000 Hz)
torchaudio.save("output_igbo.wav", torch.tensor(out["wav"]).unsqueeze(0), 24000)
print("Saved synthesized speech to output_igbo.wav")

Limitations and Ethical Usage

  • Conversational Acoustics vs. Studio Purity: While Stage 2 eliminates the solemn scripture register and unlocks flexible speaker timbres, Common Voice recordings contain diverse crowd-sourced microphones and acoustic environments. Reference audios with heavy background chatter or clipping should be avoided.
  • Sub-dot and Diacritic Sensitivity: Igbo distinguishes vowel harmony sets using under-dots (ị, ọ, ụ) and nasal consonants (ñ). Text fed into the model should preserve proper standard Igbo orthography for optimal pronunciation.
  • Ethical Voice Cloning: This model is intended for research, linguistic preservation, and accessibility in African languages. Explicit consent should be obtained prior to cloning recognizable individual voices.
  • Licensing: Inherits the Coqui Public Model License / MRCUL.

Author & Attribution

Developed and fine-tuned by Samuel Olubukun:

Citation

If you use this model or checkpoints in your research, applications, or benchmarks, please cite:

@misc{olubukun2026xttsigboconversational,
  author = {Samuel Olubukun},
  title = {XTTS-v2 Igbo Conversational: 4-Epoch Domain Adaptation on Nigerian Common Voice},
  year = {2026},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/samuelolubukun/xtts-v2-igbo-conversational}}
}

Acknowledgments

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
135cc11

0 моделей