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-pag

sapinsapin

Синтез речиТекст → аудио3 профессии

Дообученная на аудиозаписях Pangasinan модель SpeechT5 синтезирует речь из текста.

21скачиваний 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-pag — дообученная версия SpeechT5 от Microsoft для синтеза речи из текста на языке Pangasinan (код pag). Она обучена на наборе sapinsapin/pld: 1000 шагов на 1673 аудиофрагментах; карточка приводит eval_loss 0,4095. Для синтеза использовались векторное обусловливание говорящего через SpeechBrain x-vector и вокодер microsoft/speecht5_hifigan. Модель предназначена для преобразования текста в речь; репозиторий содержит веса safetensors и использует библиотеку Transformers. Базовая модель SpeechT5 была дообучена Microsoft на LibriTTS. Лицензия — MIT.

Сценарии применения

озвучивание текста на Pangasinan
создание аудиоверсий коротких сообщений на Pangasinan
синтез тестовых речевых фрагментов на Pangasinan

Ограничения

Обучение основано на 1673 аудиофрагментах и 1000 шагах; качество и разнообразие синтеза могут быть ограничены этим объёмом данных. В README не приведены сравнительные оценки качества.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей 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-pag

microsoft/speecht5_tts finetuned on sapinsapin/pld.

Trained for 1000 steps on 1673 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	0.4095

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: f09f87f