Характеристики

Контекст: 450 токенов
Лицензия: MIT
Архитектура: speecht5 · dense
Базовая модель: speecht5_vc
Библиотека: transformers
Опубликована: 8 авг 2026

Ссылки

Hugging Face

speecht5_vc-pld

sapinsapin

Обработка аудиоАудио → аудио3 профессии

Модель SpeechT5 для преобразования речи между голосами говорящих на десяти языках Филиппин.

23скачиваний 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_vc-pld — модель преобразования речи, созданная дообучением microsoft/speecht5_vc на наборе sapinsapin/pld. Она выполняет преобразование голоса между говорящими: принимает исходную речевую запись и целевой образец голоса, а затем генерирует речь с голосовыми характеристиками целевого образца. Модель рассчитана на десять филиппинских языков: бикольский (bcl), себуанский (ceb), английский (eng), филиппинский (fil), хилигайнон (hil), илоканский (ilo), пангасинанский (pag), капампанганский (pam), масбате́ньо (tsg) и варайский (war).

Это модель семейства SpeechT5 на базе Transformer; в обучении использовались пары записей с одинаковыми фразами от разных говорящих, а целевой голос задаётся через x-вектор SpeechBrain. Дообучение проведено на 1500 шагах на 3088 парах. Модель выпущена в формате safetensors и распространяется по лицензии MIT. В карточке приведена оценка eval_loss 0,4588; отдельные тестовые примеры представлены в репозитории.

Сценарии применения

перенос голоса говорящего на голос из целевой записи
преобразование речи между голосами для филиппинских языков
создание речевых вариантов с характеристиками другого голоса

Ограничения

Обучение основано на 3088 парах фраз и выполнено за 1500 шагов; карточка приводит только eval_loss и примеры, поэтому широкая оценка качества и устойчивости не описана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

speecht5_vc-pld

microsoft/speecht5_vc finetuned on sapinsapin/pld.

Any-to-any voice conversion across 10 Philippine languages (bcl, ceb, eng, fil, hil, ilo, pag, pam, tsg, war). Trained for 1500 steps on 3088 same-sentence cross-speaker pairs mined from PLD's shared prompt lists (batch 2×16, lr 1e-05, fp32 + gradient checkpointing), conditioned on the target clip's speechbrain x-vector. samples/ holds held-out conversions: *_src → *_converted vs *_target_ref.

metric	value
eval_loss	0.4588

Trained with finetune_s2s.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

Обработка «аудио → аудио» пока не поддерживается.

Класс архитектуры: SpeechT5ForSpeechToSpeechWithLoss
Ревизия весов: e5b3ddc