/ Модель

Характеристики

Параметры
3,5 млн
Лицензия
afl-3.0
Архитектура
vits · dense
Опубликована
3 июл 2024

vits-ar

Синтез речиТекст → аудио3 профессии

Компактная арабская модель VITS преобразует текст, в том числе диалектный, в речь.

46скачиваний за 30 дней18лайковвеса обновлены5 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

wasmdashai/vits-ar — арабская модель синтеза речи, разработанная Wasmdash AI на архитектуре VITS с использованием предварительно обученных весов Facebook vits ara. Она преобразует текст на арабском языке в речевую аудиоволну и рассчитана на стандартный арабский текст и различные диалектные формы, включая разговорные выражения и местную лексику. В карточке качество звука оценено как среднее.

Модель содержит около 3,5 млн параметров, использует архитектуру VITS и обучалась на данных Common Voice 17.0 и wasmdashai/db-arabic-f1-nn. Для применения указан Transformers версии 4.33 и выше. Репозиторий распространяется под лицензией AFL-3.0.

Сценарии применения

  • озвучивание арабских текстов
  • синтез разговорной речи на арабском языке
  • создание голосовой озвучки с арабскими диалектными выражениями

Ограничения

В карточке качество звука оценено как среднее. Заявленная поддержка диалектного текста не сопровождается описанием результатов для отдельных диалектов.

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

Model Card for Model ID

Model Details

Model Description

An advanced text-to-speech (TTS) system specifically designed for the Arabic language, built on the VITS architecture and utilizing the pre-trained weights from Facebook's vits ara model. The model is capable of:

Generating natural and realistic speech: Producing high-quality Arabic speech that closely mimics human voices, preserving intonation and linguistic nuances. Understanding colloquial text: Processing text written in various Arabic dialects, including idiomatic expressions and local vocabulary.

Model Details VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) is an end-to-end speech synthesis model that predicts a speech waveform conditional on an input text sequence. It is a conditional variational autoencoder (VAE) comprised of a posterior encoder, decoder, and conditional prior.

A set of spectrogram-based acoustic features are predicted by the flow-based module, which is formed of a Transformer-based text encoder and multiple coupling layers. The spectrogram is decoded using a stack of transposed convolutional layers, much in the same style as the HiFi-GAN vocoder. Motivated by the one-to-many nature of the TTS problem, where the same text input can be spoken in multiple ways, the model also includes a stochastic duration predictor, which allows the model to synthesise speech with different rhythms from the same input text.

Usage

MMS-TTS is available in the 🤗 Transformers library from version 4.33 onwards. To use this checkpoint, first install the latest version of the library:

pip install  transformers[torch]

Then, run inference with the following code-snippet:

from transformers import VitsModel, AutoTokenizer
import torch

model = VitsModel.from_pretrained("wasmdashai/vits-ar")
tokenizer = AutoTokenizer.from_pretrained("wasmdashai/vits-ar")

text = "السلام عليكم ورحمة الله وبركاتة  ما الجديد ؟ "
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
  full_generation =model(**inputs)
full_generation_waveform = full_generation.waveform.cpu().numpy().reshape(-1)

from IPython.display import Audio

Audio(full_generation_waveform, rate=model.config.sampling_rate)

Contact

You can also email us at modelasg@gmail.com

مجموعة نماذج توليد اللهجات العربية

مقدمة

يسرنا أن نعلن عن إصدار مجموعة من نماذج توليد اللهجات العربية قريبًا. تم تصميم هذه النماذج باستخدام تقنيات الذكاء الاصطناعي المتقدمة لتقديم تجربة طبيعية وواقعية في تحويل النص إلى كلام (Text-to-Speech) بمختلف اللهجات العربية.

جدول النماذج

اللهجةاسم النموذجالوصفتاريخ الإصدار المتوقعمستوى جودة الصوت
اللغة العربيةvits-arنموذج لتحويل النص إلى كلام باللهجة اليمنية بتفاصيل دقيقة.متوفرمتوسط
اللهجة اليمنيةvits-ar-yeنموذج لتحويل النص إلى كلام باللهجة اليمنية بتفاصيل دقيقة.قريباًمتوسط
اللهجة السعوديةvits-ar-saنموذج لتحويل النص إلى كلام باللهجة السعودية بجودة عالية وتفاصيل دقيقة.متوفرمتوسط
اللهجة المصريةvits-ar-egنموذج لتحويل النص إلى كلام باللهجة المصرية بأسلوب طبيعي وسلس.قريباًمتوسط
اللهجة اللبنانيةvits-ar-lbنموذج متخصص في اللهجة اللبنانية لتوليد كلام بتفاصيل دقيقة وواقعية.قريباًمتوسط
اللهجة المغربيةvits-ar-maنموذج لتحويل النص إلى كلام باللهجة المغربية بقدرة على فهم المصطلحات المحلية.قريباًمتوسط
اللهجة الإماراتيةvits-ar-aeنموذج لتحويل النص إلى كلام باللهجة الإماراتية بواقعية وتفاصيل دقيقة.قريباًمتوسط
اللهجة الأردنيةvits-ar-joنموذج لتحويل النص إلى كلام باللهجة الأردنية بإتقان للتفاصيل الصوتية.قريباًمتوسط
اللهجة العراقيةvits-ar-iqنموذج لتوليد الكلام باللهجة العراقية بدقة في نطق الكلمات والتعابير الشائعة.قريباًمتوسط
اللهجة السوريةvits-ar-syنموذج لتحويل النص إلى كلام باللهجة السورية بوضوح وصوت طبيعي.قريباًمتوسط
اللهجة الفلسطينيةvits-ar-psنموذج لتحويل النص إلى كلام باللهجة الفلسطينية بتفاصيل دقيقة.قريباًمتوسط
اللهجة السودانيةvits-ar-sdنموذج لتحويل النص إلى كلام باللهجة السودانية مع فهم المفردات المحلية.قريباًمتوسط
اللهجة الجزائريةvits-ar-dzنموذج لتحويل النص إلى كلام باللهجة الجزائرية بدقة وجودة عالية.قريباًمتوسط
اللهجة التونسيةvits-ar-tnنموذج لتحويل النص إلى كلام باللهجة التونسية بإتقان للتفاصيل المحلية.قريباًمتوسط
اللهجة الليبيةvits-ar-lyنموذج لتحويل النص إلى كلام باللهجة الليبية بدقة وواقعية في النطق.قريباًمتوسط
اللهجة البحرينيةvits-ar-bhنموذج لتحويل النص إلى كلام باللهجة البحرينية بجودة صوت عالية.قريباًمتوسط
اللهجة العمانيةvits-ar-omنموذج لتحويل النص إلى كلام باللهجة العمانية بدقة ووضوح في النطق.قريباًمتوسط
اللهجة القطريةvits-ar-qaنموذج لتحويل النص إلى كلام باللهجة القطرية بتفاصيل دقيقة وواقعية.قريباًمتوسط
اللهجة الكويتيةvits-ar-kwنموذج لتحويل النص إلى كلام باللهجة الكويتية بجودة عالية ووضوح.قريباًمتوسط
اللهجة الموريتانيةvits-ar-mrنموذج لتحويل النص إلى كلام باللهجة الموريتانية بتفاصيل دقيقة وواقعية.قريباًمتوسط

التفاصيل الفنية

تعتمد جميع النماذج على بنية VITS، وهي نموذج شامل لتحويل النص إلى كلام يتيح توليد موجات صوتية واقعية بناءً على المدخلات النصية. تحتوي النماذج على محولات لتحليل النص وتوليد الكلام بناءً على خصائص الصوت المحلية لكل لهجة.

الترقيات المستقبلية

سيتم تقديم تحديثات منتظمة لتحسين جودة الصوت وزيادة كفاءة فهم اللهجات المختلفة. تابعونا لمعرفة المزيد حول تواريخ الإطلاق الدقيقة لكل نموذج.

Acknowledgements

This implementation is based on tts-arabic, VITS, Finetune VITS and Bert-VITS2. We appreciate their awesome work.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
74bb657

0 моделей