Дообученная на sapinsapin/pld модель SpeechT5 для синтеза речи из текста.
34скачиваний 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
sapinsapin/speecht5_tts-pld-eng — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft на наборе данных sapinsapin/pld. Она предназначена для преобразования текста в речь; для синтеза использует speaker conditioning с x-вектором SpeechBrain и вокодер microsoft/speecht5_hifigan. Обучение проводилось на 1597 аудиофрагментах в течение 1000 шагов, а в README приведено значение eval_loss 0,4118.
Модель построена на архитектуре SpeechT5 и распространяется в формате safetensors через библиотеку Transformers. Данные и теги указывают на связь с филиппинскими языками и английским, однако README не уточняет языки и голосовые характеристики обучающих записей. Лицензия — MIT. Оценка на небольшом наборе и короткое обучение ограничивают выводы о качестве и устойчивости синтеза.
Сценарии применения
синтез речи из текста на данных sapinsapin/pld
создание аудиоверсий текстов
генерация речи с заданным голосовым условием
Ограничения
Модель обучалась 1000 шагов на 1597 аудиофрагментах, поэтому качество и устойчивость синтеза могут быть ограничены. Языки и характеристики голосов в README подробно не описаны.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
Trained for 1000 steps on 1597 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
0.4118
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