/ Модель

Характеристики

Параметры
11,1 млн
Лицензия
CC BY-SA 4.0
Архитектура
t5 · dense
Базовая модель
byt5-small
Библиотека
transformers
Опубликована
29 авг 2026

byt5-g2p-multilingual-tiny

Синтез речиТекст → аудио3 профессии

Компактная многоязычная модель преобразует слова с указанием языка и варианта в фонемную транскрипцию IPA для использования в системах синтеза речи.

1 461скачиваний 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

Это дообученная байтовая модель ByT5 для преобразования написания слов в фонемную транскрипцию IPA. Она принимает слово с языковым кодом ISO 639-3 и, для части языков, уточнением варианта, а выдаёт фонемы через пробел в соглашении, основанном на gruut и совместимом с голосами семейства Piper. Модель разработана Will Wade и обучена на гармонизированном корпусе из 4,12 млн пар из gruut и WikiPron с выравниванием соглашений IPA с помощью M2M-аллайнера.

Модель поддерживает 142 языковых варианта, включая варианты английского, португальского и испанского, а также разделения для валлийского, армянского, бенгальского и китайских языков. Архитектура — T5ForConditionalGeneration; в метаданных указано 11,1 млн параметров. Доступны веса safetensors и экспорт ONNX для работы на CPU. В тесте на 4 тыс. примеров точное совпадение составило 0,718 по micro-метрике и 0,619 по macro-метрике.

Модель предназначена для получения произношения слов и подготовки произносительных словарей для синтеза речи. Она преобразует текст в фонемы, но сама аудио не синтезирует; точность зависит от языка, его варианта и принятых соглашений транскрипции. Лицензия — CC BY-SA 4.0.

Сценарии применения

  • получение IPA-транскрипции отдельных слов
  • подготовка произносительных словарей для голосов Piper
  • преобразование написания слова в последовательность фонем с учётом языкового варианта

Ограничения

Модель выдаёт фонемы, а не аудио. Показатель точного совпадения на тестовой выборке составляет 0,718 по micro-метрике и 0,619 по macro-метрике; качество может различаться между языками и вариантами.

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 (tiny) — 17M 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, 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 (0.729 on old test)
micro exact0.7180.582 (same test, same eval)
macro exact0.6190.644

The tiny (17M) stays within striking distance of the small (300M) at 1/18th the size. The new corpus (+27% more entries, harmonized conventions) gives the tiny model a +13.6 pt lift on the same test set (0.582 → 0.718).

Files

  • HF-format weights at root (~70 MB)
  • 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-tiny", 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
181c258

0 моделей