Характеристики

Контекст: 600 токенов
Лицензия: MIT
Архитектура: speecht5 · dense
Базовая модель: speecht5_tts
Библиотека: transformers
Опубликована: 8 авг 2026

Ссылки

Hugging Face

speecht5_tts-pld-bcl

sapinsapin

Синтез речиТекст → аудио3 профессии

Дообученная SpeechT5-модель синтезирует речь на бикольском языке из текста.

26скачиваний за 30 дней0лайковвеса обновлены8 авг 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 sapinsapin/speecht5_tts-pld-bcl — дообученная на наборе данных sapinsapin/pld версия SpeechT5 от Microsoft для синтеза речи из текста на бикольском языке (Bicolano, BCL). Она принимает текст и использует обусловливание по голосовому эмбеддингу говорящего; для получения аудио в примерах применялись x-vector из SpeechBrain и вокодер microsoft/speecht5_hifigan. Обучение проведено на 1878 аудиофрагментах в течение 1000 шагов; указанная eval_loss — 0,4176.

Модель подходит для озвучивания текстов на бикольском языке. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT.

Сценарии применения

озвучивание текста на бикольском языке
создание голосовых сообщений на бикольском языке
генерация речевых образцов для бикольских текстов

Ограничения

Обучение проводилось на 1878 аудиофрагментах, поэтому разнообразие данных ограничено. Для синтеза с голосовым обусловливанием требуется совместимое представление голоса; примеры используют x-vector и вокодер SpeechT5 HiFi-GAN.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

speecht5_tts-pld-bcl

microsoft/speecht5_tts finetuned on sapinsapin/pld.

Trained for 1000 steps on 1878 clips (batch 4×8, lr 1e-05, fp32 + gradient checkpointing). Synthesized listen-test samples are in samples/ (speechbrain x-vector speaker conditioning + microsoft/speecht5_hifigan vocoder).

metric	value
eval_loss	0.4176

Trained with finetune_tts.py from the halohalo pipeline; the dataset adapter normalizes each corpus to (audio@16k, text, speaker_id) so corpora are swappable with a --dataset flag.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Репозиторий недоступен на Hugging Face.

Класс архитектуры: SpeechT5ForTextToSpeech
Ревизия весов: 589cf50