/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
XTTS-v2
Опубликована
1 окт 2026

xtts-v2-yoruba-openbible

Синтез речиТекст → аудио3 профессии

Дообученная версия Coqui XTTS-v2 для синтеза речи на йоруба с возможностью переноса голоса по короткому аудиофрагменту.

168скачиваний за 30 дней0лайковвеса обновлены8 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

Модель разработана Samuel Olubukun как дообученная версия Coqui XTTS-v2 для синтеза речи на йоруба. Она принимает текст и короткий аудиофрагмент длительностью 3–10 секунд, чтобы синтезировать речь с переносом характеристик голоса; также сохраняет возможности базовой модели по клонированию голоса и межъязыковому переносу. Архитектура XTTS-v2 включает авторегрессионный GPT-декодер и вокодер спектрограмм на основе дискретного VAE; размер модели — 521,8 млн параметров. Для поддержки йоруба расширен BPE-токенизатор и добавлен языковой тег [yo].

Модель обучена на 8 000 пар аудио и текста из йоруба-раздела OpenBibleTTS. Она особенно подходит для синтеза формальной начитанной речи на йоруба, в том числе с голосом из короткого образца. Обучающие данные ограничены библейской тематикой и литургическим регистром, поэтому естественность разговорной, быстрой или неформальной речи может быть ниже. Автоматические метки дикторов и выравнивание сегментов могут содержать неточности. Лицензия унаследована от Coqui Public Model License / MRCUL.

Сценарии применения

  • синтез начитанного текста на йоруба
  • озвучивание религиозных и библейских текстов на йоруба
  • клонирование голоса по короткому образцу для речи на йоруба
  • создание аудиоверсий материалов для доступности на йоруба

Ограничения

Обучение на начитанной библейской речи формального литургического регистра может ограничивать естественность разговорной и быстрой речи. Автоматические метки дикторов и выравнивание сегментов могут быть неточными; для клонирования узнаваемого голоса следует получить 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 (OpenBibleTTS 8-Epoch Fine-Tune)

This repository provides fine-tuned weights, extended tokenizer vocabulary, and configuration files for Coqui XTTS-v2 fine-tuned on Yoruba (yo) speech from the OpenBible dataset.

The model extends XTTS-v2's multilingual voice-cloning capabilities to Yoruba, maintaining conditioning latents, speaker cloning fidelity, and cross-lingual transfer from a reference audio clip (3 to 10 seconds).


Model Summary

  • Base Architecture: Coqui XTTS-v2 (Autoregressive GPT text/mel encoder + Discrete VAE spectrogram vocoder)
  • Parameters: 521.8M
  • Target Language: Yoruba (yo)
  • Tokenizer: Extended Byte Pair Encoding (BPE) with special language tag [yo] (extended vocabulary: 2,000 tokens)
  • Dataset: multilingual-tts/open-bible (Yoruba split)
  • Training Samples: 8,000 paired audio-text samples (resampled to 22,050 Hz)
  • Epochs: 8 full epochs (31,360 total optimization steps)
  • Hardware: NVIDIA A10G (24 GB VRAM)

Training Convergence & Metrics

The model trained steadily across all 8 epochs with AdamW and MultiStep scheduling (learning rate = 5e-6, effective batch size = 8):

Training Curves

Epoch Progression Table

EpochGlobal StepTrain LossTrain Text CETrain Mel CEEval Total LossEval Text CEEval Mel CE
0 (Start)01.06030.24303.9983———
Epoch 13,9200.68550.05702.68512.67730.05432.6230
Epoch 27,8400.59970.04542.35362.49310.04352.4496
Epoch 311,7600.58120.03312.29162.39070.03952.3512
Epoch 415,6800.56700.03872.22932.32410.03712.2870
Epoch 519,6000.62910.04492.47132.28150.03542.2461
Epoch 623,5200.57330.03632.25692.25030.03412.2162
Epoch 727,4400.51810.03402.03852.22110.03322.1879
Epoch 8 (Final)31,3600.61330.03862.41462.20720.03232.1748

Key Metric Takeaways

  • Text Cross-Entropy Loss decreased from 0.2430 to 0.0323 (86.7% reduction), confirming solid phonetic alignment to Yoruba tonal marks and orthography.
  • Mel Spectrogram Loss converged from 3.9983 to 2.1748 (45.6% reduction), sharpening voice clarity and acoustic fidelity.
  • Validation Loss showed consistent, monotonic decrease across all 8 epochs (from 2.6773 down to 2.2072).

Audio Comparison: Original vs. XTTS Cloned Synthesis

Below is a side-by-side comparison between the reference speakers and the speech synthesized by this fine-tuned model.

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

  • Samples 1 & 2: Zero-shot voice cloning reproducing each speaker's own voice and words.
  • Sample 3: Cross-speaker voice transfer, synthesizing speech from a distinct OpenBible training narrator voice on an utterance spoken by a Ben Ogbonna Common Voice speaker.

Sample 1: "Ìjọba Òǹdo ní òun yóò gbé ibùdó ìgbókùsíí kúrò nílé ìwòsàn."

Original Reference (Ben Ogbonna Dataset)XTTS-v2 Cloned Synthesis

Sample 2: "Ṣèyí ń ṣe bíi Baṣọ̀run Gáà, tí kò bọ̀wọ̀ fún òfin."

Original Reference (Ben Ogbonna Dataset)XTTS-v2 Cloned Synthesis

Sample 3: "Makinde ní kò sí ọwọ́jà ààrùn àìmọ̀ ẹlẹ́ẹ̀kejì ní ìpínlẹ̀ Ọ̀yọ́."

Original Reference (Ben Ogbonna Dataset)XTTS-v2 Cloned Synthesis (OpenBible Voice Clone - Different Voice)

Repository Files

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

FileDescription
model.pthFine-tuned GPT decoder weights (best_model_31360.pth)
config.jsonUpdated model configuration with yo language enabled
vocab.jsonExtended BPE tokenizer vocabulary
dvae.pthDiscrete VAE acoustic spectrogram decoder
mel_stats.pthMel spectrogram normalization statistics
training_curves.pngHigh-resolution convergence graphs
samples/Zero-shot and cross-speaker voice cloning audio demonstrations

How to Use

Ensure coqui-tts and dependencies are installed:

pip install coqui-tts "transformers<4.45.0" torch torchaudio huggingface_hub

Load the model and synthesize speech directly from this Hugging Face repository:

import os
import re
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 model repository
model_dir = snapshot_download(repo_id="samuelolubukun/xtts-v2-yoruba-openbible")

# 2. Load model config and checkpoint
config = XttsConfig()
config.load_json(os.path.join(model_dir, "config.json"))
model = Xtts.init_from_config(config)
model.load_checkpoint(
    config,
    checkpoint_path=os.path.join(model_dir, "model.pth"),
    vocab_path=os.path.join(model_dir, "vocab.json"),
    use_deepspeed=False
)
model.cuda() if torch.cuda.is_available() else model.cpu()

# 3. Text cleaner fallback for custom language support
orig_preprocess = model.tokenizer.preprocess_text
def safe_preprocess_text(txt, lang):
    try:
        return orig_preprocess(txt, lang)
    except NotImplementedError:
        txt = txt.lower()
        return re.sub(r"\s+", " ", txt).strip()
model.tokenizer.preprocess_text = safe_preprocess_text

# 4. Compute speaker conditioning latents (using bundled reference audio or your own 3-10s WAV)
ref_audio = os.path.join(model_dir, "samples/sample1_original.mp3")
gpt_cond_latent, speaker_embedding = model.get_conditioning_latents(
    audio_path=ref_audio,
    gpt_cond_len=30,
    max_ref_length=30,
    sound_norm_refs=False,
)

# 5. Synthesize speech
text = "Ẹ n lẹ́ o, báwo ni gbogbo yín ṣe wà? Èkó dára púpọ̀."
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,
)

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

Limitations and Ethical Usage

  • Domain & Register Bias: Trained on read, scripture-domain speech characterized by a narrow theological vocabulary and a formal liturgical register. As a consequence, the model may not transfer out-of-the-box with natural prosody to informal or fast-paced conversational speech.
  • Dataset Labels: Speaker labels and forced segment alignments in the upstream OpenBibleTTS dataset were generated automatically and may contain slight boundary inconsistencies.
  • 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{olubukun2026xttsyoruba,
  author = {Samuel Olubukun},
  title = {XTTS-v2 Yoruba: 8-Epoch Fine-Tuning on OpenBibleTTS},
  year = {2026},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/samuelolubukun/xtts-v2-yoruba-openbible}}
}

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
a1c6d06

0 моделей