Дообученная на наборе sapinsapin/pld модель SpeechT5 для синтеза речи на Hiligaynon 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
Модель speecht5_tts-pld-hil — версия SpeechT5, дообученная автором репозитория sapinsapin на наборе данных sapinsapin/pld. Она предназначена для синтеза речи на основе текста на языке Hiligaynon (код hil). Обучение включало 1000 шагов на 1832 аудиофрагментах; для синтеза в примерах использовались голосовые эмбеддинги x-vector из SpeechBrain и вокодер microsoft/speecht5_hifigan.
Модель построена на архитектуре SpeechT5ForTextToSpeech и распространяется в формате safetensors через Transformers. Репозиторий указывает лицензию MIT. Карточка сообщает значение eval_loss 0,3908, но не приводит сравнительной оценки качества или длину контекста. Модель рассчитана на преобразование текста в аудио, а указанные обучающие данные и название репозитория ориентируют её на Hiligaynon.
Сценарии применения
синтез речи на Hiligaynon из текстовых фраз
озвучивание коротких сообщений на Hiligaynon
создание аудиопримеров и прототипов речи на Hiligaynon
Ограничения
Обучение описано как короткий прогон на 1832 аудиофрагментах; карточка не содержит сравнительной оценки качества синтеза. Для генерации аудио примеры используют внешний вокодер microsoft/speecht5_hifigan и голосовое conditioning.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
Trained for 1000 steps on 1832 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
0.3908
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