Дообученная на илокано модель SpeechT5 для синтеза речи из текста.
29скачиваний 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-ilo — модель синтеза речи из текста, созданная дообучением SpeechT5 от Microsoft на наборе данных sapinsapin/pld. Она предназначена для озвучивания текста на илокано; при синтезе используются векторное представление голоса говорящего для кондиционирования и вокодер microsoft/speecht5_hifigan. Обучение проведено на 1761 аудиофрагменте в течение 1000 шагов; в карточке приведено значение eval_loss 0,3924.
Модель построена на архитектуре SpeechT5 и распространяется в формате safetensors через библиотеку Transformers. Лицензия — MIT. Карточка не приводит длину контекста или подробную оценку качества, поэтому результаты для других голосов и текстов могут различаться.
Сценарии применения
озвучивание текста на илокано
создание голосовых сообщений на илокано
генерация аудиоверсий коротких текстов на илокано
Ограничения
Модель обучена на 1761 аудиофрагменте и 1000 шагах; карточка не содержит подробной оценки качества синтеза. Условия воспроизведения голоса могут зависеть от доступного x-vector кондиционирования и вокодера SpeechT5 HiFi-GAN.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
Trained for 1000 steps on 1761 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
0.3924
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