Дообученная на филиппинском речевом наборе данных модель SpeechT5 для синтеза речи по тексту.
27скачиваний 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-tsg — дообученная на наборе данных sapinsapin/pld версия SpeechT5 от Microsoft для синтеза речи из текста. Она построена на архитектуре SpeechT5 и предназначена для генерации речи по текстовой расшифровке; для озвучивания примеров использовались векторное условие голоса x-vector из SpeechBrain и вокодер microsoft/speecht5_hifigan. Модель обучалась 1000 шагов на 1520 аудиофрагментах, а в карточке приведено значение eval_loss 0,3910.
Набор данных связан с филиппинскими языками, однако README не уточняет конкретный язык или языки синтеза. Модель распространяется в формате safetensors по лицензии MIT. Результаты обучения и небольшой объём данных указывают на ограниченный масштаб дообучения; качество речи может зависеть от языка, текста и доступного голосового условия.
Сценарии применения
озвучивание текстов на языке обучающего набора данных
создание речевых проб и демонстраций синтеза речи
генерация аудио по тексту с голосовым условием x-vector
Ограничения
Карточка не называет конкретные поддерживаемые языки и не приводит широкую оценку качества; дообучение выполнено на 1520 аудиофрагментах всего за 1000 шагов.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
Trained for 1000 steps on 1520 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
0.3910
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