/ Модель

Характеристики

Контекст
600 токенов
Лицензия
MIT
Архитектура
speecht5 · dense
Базовая модель
speecht5_tts
Библиотека
transformers
Опубликована
23 сен 2024

speecht5_tts_tr_v1.0

Синтез речиТекст → аудио3 профессии

Дообученная на турецких голосовых данных модель SpeechT5 для синтеза речи из текста на турецком языке.

21скачиваний за 30 дней8лайковвеса обновлены23 сен 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

SpeechT5 TTS Turkish — модель синтеза речи из текста, созданная дообучением microsoft/speecht5_tts на наборе turkishvoicedataset. Она предназначена для преобразования текста на турецком языке в речь. Модель построена на архитектуре SpeechT5 и распространяется в формате safetensors; в README приведено значение loss 0,3079 на оценочном наборе.

Модель опубликована под лицензией MIT. Карточка не описывает голосовые характеристики, качество звучания или ограничения использования; результат синтеза зависит от текста и настройки процесса генерации.

Сценарии применения

  • озвучивание турецкого текста
  • генерация турецкой речи для аудиоконтента
  • создание голосовых сообщений на турецком языке

Ограничения

В карточке нет сведений о голосовых характеристиках и подробной оценке качества; указано только значение loss 0,3079 на оценочном наборе.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SpeechT5 TTS Turkish

This model is a fine-tuned version of microsoft/speecht5_tts on the turkishvoicedataset dataset. It achieves the following results on the evaluation set:

  • Loss: 0.3079

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 16
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 32
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • training_steps: 6000
  • mixed_precision_training: Native AMP

Training results

Training LossEpochStepValidation Loss
0.44361.848410000.3752
0.38223.696920000.3403
0.37295.545330000.3233
0.34517.393740000.3153
0.33159.242150000.3099
0.349211.090660000.3079

Framework versions

  • Transformers 4.45.0.dev0
  • Pytorch 2.4.1+cu121
  • Datasets 3.0.0
  • Tokenizers 0.19.1

Usage

installs

!pip install datasets soundfile speechbrain

inference

from transformers import pipeline
from datasets import load_dataset
import soundfile as sf
import torch
from IPython.display import Audio

synthesiser = pipeline("text-to-speech", "umarigan/speecht5_tts_tr_v1.0")

embeddings_dataset = load_dataset("umarigan/turkish_voice_dataset_embedded", split="train")
speaker_embedding = torch.tensor(embeddings_dataset[736]["speaker_embeddings"]).unsqueeze(0)

# Synthesize speech using the embedding
speech = synthesiser("Bir berber bir berbere gel beraber bir berber kuralım demiş", forward_params={"speaker_embeddings": speaker_embedding})

# Save the generated audio to a file
sf.write("speech.wav", speech["audio"], samplerate=speech["sampling_rate"])

# Play the audio in the notebook
Audio("speech.wav")

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
SpeechT5ForTextToSpeech
Ревизия весов
126bbce

0 моделей