/ Модель

Характеристики

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

xtts-v2-yoruba-conversational

Синтез речиТекст → аудио3 профессии

Дообученная Coqui XTTS-v2 синтезирует разговорную речь на йоруба и поддерживает клонирование голоса по аудиофрагменту.

827скачиваний 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

Это дообученная модель Coqui XTTS-v2 от samuelolubukun для синтеза разговорной речи на йоруба. Она создана как второй этап адаптации базовой модели samuelolubukun/xtts-v2-yoruba-openbible на йорубском разделе Nigerian Common Voice, чтобы сделать темп и интонацию менее похожими на чтение религиозных текстов и ближе к повседневной речи.

Модель основана на авторегрессионной архитектуре XTTS-v2 с GPT-текстовым и мел-спектральным кодированием и вокодером на дискретном VAE; в карточке указано 521,8 млн параметров. Токенизатор расширен для йоруба и использует метку языка [yo]. Модель принимает текст и генерирует аудио; XTTS-v2 также поддерживает клонирование голоса по короткому аудиофрагменту. Для лучшего произношения в тексте важны тоновые знаки и подточечные буквы йоруба.

Подходит для разговорного озвучивания фраз и диалогов на йоруба, включая вопросы и сложные предложения. Карточка сообщает об улучшении темпа и тональной выразительности на тестовых примерах, но качество может зависеть от написания диакритики и акустического качества образца для клонирования. Модель наследует Coqui Public Model License / MRCUL; для клонирования узнаваемого голоса следует получить согласие его владельца.

Сценарии применения

  • озвучивание фраз на йоруба естественным разговорным темпом
  • синтез диалоговых реплик и вопросов на йоруба
  • озвучивание текстов с тоновыми знаками и диакритикой йоруба
  • клонирование голоса для речи на йоруба по короткому аудиообразцу

Ограничения

Для точного произношения йоруба важны корректные тоновые знаки и подточечные буквы; качество клонирования зависит от чистоты референсного аудио. Для клонирования узнаваемого голоса необходимо согласие его владельца.

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

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

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

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

  1. Stage 1 (Foundation): samuelolubukun/xtts-v2-yoruba-openbible — 8-epoch foundation model trained on high-fidelity OpenBible audio to master Yoruba orthography, diacritics (ẹ, ọ, ṣ), tone markers (High/Mid/Low), and stable phonetics.
  2. Stage 2 (Conversational Adaptation — This Model): Adapted from the Stage 1 checkpoint on benjaminogbonna/nigerian_common_voice_dataset (Yoruba split) across 5 full epochs using a conservative learning rate (1.5e-6) to break the rigid, dragging scripture recitation cadence and internalize fluid colloquial co-articulation 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-yoruba-openbible (31,360 steps)
  • Parameters: 521.8M
  • Target Language: Yoruba (yo)
  • Tokenizer: Extended Byte Pair Encoding (BPE) with special language tag [yo] (extended vocabulary: 9,987 tokens)
  • Adaptation Dataset: benjaminogbonna/nigerian_common_voice_dataset (Yoruba split)
  • Filtered Training Set: 2,367 clean conversational audio samples (filtered for duration, quality, and valid diacritics)
  • Adaptation Steps: 7,895 optimization steps (5 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 cadence, pitch dynamics, acoustic loss, and syllable co-articulation:

Conversational Adaptation Dashboard

Training Progression Summary

Stage / StepGlobal StepTrain LossText CE LossMel Spectrogram LossNotes
Adaptation Start00.96820.04613.8420Initialized directly from OpenBible 31,360-step foundation weights
Epoch 2 Midpoint2,6500.86960.04603.4325Mel loss descends as conversational acoustic priors take effect
Epoch 4 Midpoint5,5000.84110.04303.3215Steady convergence; text loss improves with zero forgetting
Adaptation Final7,8950.82980.03853.2082Mastered fluid Yoruba speech rhythm and question tone glides

Acoustic Improvements Over Stage 1

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

MetricStage 1 (OpenBible Foundation)Stage 2 (Conversational Adapted - This Model)Improvement / Impact
Pacing on Complex Clauses17.64 seconds (dragging)6.12 seconds (natural tempo)-65%: Eliminates sluggish syllable-by-syllable scripture recitation
Average Utterance Duration8.81 seconds5.09 seconds-42%: Natural colloquial breath groups without artificial pauses
Tonal Dynamic Swings (StdDev)31.3 Hz38.3 Hz+22.3%: Expressive 3-level pitch glides and question intonation
Syllable Co-Articulation52.0% score91.0% scoreWords blend smoothly together (Ẹ n lẹ́ o, Àbí bẹ́ẹ̀ kọ́?)

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 (Yoruba split) by Benjamin Ogbonna:

Sample 1 (Complex Clause): "Àgbèrè, ìpànìyàn, ṣíṣẹ́yún, olè, àìlóòótó, àìní-ìtẹríba jẹ́ ìwà burúkú."

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

Sample 2 (Dialogue Question): "Èkó dára ju Àbújá lọ, àbí bẹ́ẹ̀ kọ́?"

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

Sample 3 (Relative Clause): "Ìwé tí mo ní kí o kà lọ́jọ́sí, wọ́n ti ṣe é sínu fọ́nrán."

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

Sample 4 (Compound Narrative): "Wọ́n yàn olórí ìjọ, àmọ́ orí gbé e dé ipò igbákejì ààrẹ."

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

Sample 5 (Expressive Statement): "Gbogbo àwọn dọ́kítà ti pinu láti wá ọ̀nà àbáyọ sí ààrùn."

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-yoruba-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: "Ìjọba Òǹdo ní òun yóò gbé ibùdó ìgbókùsíí kúrò nílé ìwòsàn."

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: "Ṣèyí ń ṣe bíi Baṣọ̀run Gáà, tí kò bọ̀wọ̀ fún òfin."

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: "Makinde ní kò sí ọwọ́jà ààrùn àìmọ̀ ẹlẹ́ẹ̀kejì ní ìpínlẹ̀ Ọ̀yọ́."

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_7800.pth)
config.jsonUpdated model configuration with yo language enabled
vocab.jsonExtended BPE tokenizer vocabulary (9,987 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-yoruba-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 Yoruba speech
text = "Ẹ n lẹ́ o, báwo ni gbogbo yín ṣe wà? Èkó dára ju Àbújá lọ, àbí bẹ́ẹ̀ kọ́?"
out = model.inference(
    text=text,
    language="yo",
    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_yoruba.wav", torch.tensor(out["wav"]).unsqueeze(0), 24000)
print("Saved synthesized speech to output_yoruba.wav")

Limitations and Ethical Usage

  • Conversational Acoustics vs. Studio Purity: While Stage 2 completely cures the sluggish scripture cadence and restores authentic tonal glides, Common Voice recordings contain diverse crowd-sourced microphones and acoustic environments. Reference audios with heavy background chatter or clipping should be avoided.
  • Tone Marking Sensitivity: Yoruba is a tonal language where pitch alters meaning (ọkọ, ọkọ̀, ọkọ́). Always provide proper tone marks (acute ´, grave `) and sub-dots (ẹ, ọ, ṣ) in input text for optimal phonetics.
  • 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{olubukun2026xttsyorubaconversational,
  author = {Samuel Olubukun},
  title = {XTTS-v2 Yoruba Conversational: 5-Epoch Domain Adaptation on Nigerian Common Voice},
  year = {2026},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/samuelolubukun/xtts-v2-yoruba-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
07b63fa

0 моделей