/ Модель

Характеристики

Параметры
365 млн
Лицензия
CC BY-SA 4.0
Архитектура
t5 · dense
Базовая модель
byt5-small
Библиотека
transformers
Опубликована
29 авг 2026

byt5-g2p-multilingual

Синтез речиТекст → аудио3 профессии

Многоязычная дообученная ByT5 преобразует слова в фонемную транскрипцию IPA для словарей произношения и речевых систем.

104скачиваний за 30 дней0лайковвеса обновлены31 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

willwade/byt5-g2p-multilingual — дообученная модель ByT5 на архитектуре T5, разработанная Will Wade для преобразования написания слов в фонемную транскрипцию IPA. Она принимает слово с языковым кодом и, где нужно, указанием языкового варианта, а выдаёт фонемы в согласованной с gruut записи, подходящей для использования в голосах семейства Piper. Модель обучена на гармонизированном корпусе из 4,12 млн пар для 142 языков и языковых вариантов; число параметров по метаданным — 364,6 млн. Доступны веса safetensors и проверенная пара ONNX-моделей; для ONNX требуется соблюдать описанные в README правила кодирования токенов и декодирования.

Модель предназначена для построения произношений в многоязычных голосовых и речевых системах, а также для подготовки фонетических словарей. В тестировании на выборке из 4 тысяч примеров точность полного совпадения составила 0,730 по микроусреднению и 0,617 по макроусреднению. Лицензия — CC BY-SA 4.0. Это преобразователь графем в фонемы, а не модель, генерирующая аудиосигнал; качество зависит от языка, варианта произношения и соответствия входного языкового тега обучающим данным.

Сценарии применения

  • получение IPA-транскрипции слова для заданного языка
  • подготовка произносительных словарей для синтеза речи
  • преобразование слов в фонемы для голосов семейства Piper
  • генерация произношений для 142 языков и языковых вариантов

Ограничения

Модель преобразует текст в фонемы, но сама не генерирует аудио. Точность различается между языками и вариантами; для ONNX необходимо учитывать специальные правила кодирования токенов и маскирования декодера.

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

ByT5 multilingual G2P (small) — 300M params

Byte-level seq2seq, 142 language/ variety tags (eng-US/eng-UK, por-BR/por-PT, spa-ES/spa-LatAm, Welsh N/S, Armenian E/W, Bengali varieties, 20+ Sinitic splits). Trained on a 4.12M-pair harmonized corpus (+27% over the previous 3.02M), with IPA conventions unified per language via a learned M2M aligner.

Input: <lang>: word (ISO-639-3, variety-suffixed where split — <eng-US>: hello, <spa-ES>: abeja). Output: space-separated IPA in gruut-anchored convention (h ɛ l ˈoʊ) — what Piper-family voices consume directly.

Results (4k stratified test sample, same test set)

this modelprevious (0.731 on old test)
micro exact0.7300.663 (same test, same eval)
macro exact0.6170.620

The new model is trained on a 30% larger, harmonized corpus where source conventions (gruut + WikiPron) are aligned per language with a many-to-many EM aligner. On the same held-out test set, micro exact climbs +6.7 pts (0.663 → 0.730). The old published 0.731 was on a different test set with mixed conventions — the new 0.730 is on a harder test (one convention per language, no ties to exploit).

Highlight wins: Spanish 0.720 → 0.976, French 0.694 → 0.917, Portuguese 0.000 → 0.570 (was WikiPron-only, now gruut-anchored), Dutch 0.014 → 0.188.

Files

  • HF-format weights at root (~1.2 GB)
  • onnx/ — validated encoder+decoder pair (manual TorchScript export, 3/3 gate-pair validation passing). Consume with onnx_reference.py (a minimal correct consumer). CRITICAL conventions: token id = byte + 3; EOS appended to encoder input; decoder needs an explicit causal mask and a length-2 bootstrap — the reference script encodes all of them.

Quickstart (ONNX, CPU)

# pip install onnxruntime numpy
from huggingface_hub import snapshot_download
import sys; sys.path.insert(0, "voicegarden-lexicons/scripts/train_byt5")
from onnx_reference import load, run

d = snapshot_download("willwade/byt5-g2p-multilingual", allow_patterns=["onnx/*"])
enc, dec = load(d + "/onnx")
print(run(enc, dec, "<eng-US>: floravox"))

Training

The checkpoint was retrained on a 4.12M-pair harmonized corpus built from gruut + WikiPron sources with M2M-convention alignment. Training details in the voicegarden-lexicons repository (scripts/train_byt5/). Run: RTX 3090, ~8h, $1.20.

Licence

CC BY-SA 4.0 (share-alike inherited from WikiPron training data). Attribution: Wiktionary/WikiPron (CUNY-CL), gruut (rhasspy), Google byt5 base (Apache-2.0). Training code: voicegarden-lexicons/scripts/train_byt5.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Для архитектуры t5 нет загрузчика под задачу text-to-speech.

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
eb76f01

0 моделей