gnakalehacker/mandia-voix-9m-v0-1

Mandia Voix 9M — première version expérimentale

Notre modèle de synthèse vocale lit du français avec 9,37 millions de paramètres. Il sert de référence de prononciation pour notre recherche sur une petite voix avec un accent ivoirien. Le naturel et l'accent ivoirien de la voix générée restent à valider. Du grain et un effet d'écho sont encore signalés.

Télécharger et essayer

• Code public et instructions d'inférence
• Poids acoustiques et vocodeur — version v0.1.0
• Données et documentation IvoireTTS

L'essai se fait avec le script autonome du dépôt GitHub. Les empreintes des poids sont vérifiées avant chargement. Aucun service d'inférence vocale n'est branché à cette fiche : un éventuel résultat simulé du playground ne doit pas être pris pour un audio de ce modèle. Aucun lien Colab n'est nécessaire.

Architecture et poids sélectionnés

Composant	Paramètres
Acoustique : encodeur, durées, flow matching conditionnel	8 423 841
Vocodeur compact avec reconstruction iSTFT	944 514
Total pour la synthèse	9 368 355

Les poids ont été appris à partir d'initialisations aléatoires. L'implémentation s'inspire d'idées publiées ; aucune nouveauté architecturale ni supériorité sur les autres systèmes n'est revendiquée.

Cette version associe le checkpoint acoustique français SIWIS sélectionné à 18 000 mises à jour et notre vocodeur compact sélectionné à 3 000 mises à jour de l'essai naturalness-width-v01. Elle utilise Euler 32 étapes, une amplitude initiale de bruit de 0,5 et speaker 0. L'adaptation ivoirienne rejetée à l'écoute est désactivée.

Les exports GitHub contiennent les tenseurs d'inférence et les configurations, sans optimiseurs. Ils ont été contrôlés contre les checkpoints complets, qui restent sauvegardés dans Drive. Aucun nouvel entraînement n'a été effectué pour cette publication.

Données

L'acoustique sélectionnée a appris sur 9 517 extraits français SIWIS, environ 10,46 h. Le miroir utilisé est Rcarvalo/siwis-fr-24k à la révision c77b462ea80fc874bec2dcde330036f28357683a, dérivé non officiel du corpus SIWIS.

Le vocodeur provient d'expériences SIWIS et IvoireTTS ; son dernier affinage utilise 5 735 extraits SIWIS et 40 extraits ivoiriens longs, avec un échantillonnage 90/10. La présente version ne constitue pas une adaptation acoustique ivoirienne validée sur les 1 000 extraits du catalogue.

Ce qui a été observé

Sur 8 phrases nouvelles, générées avec deux graines chacune, la calibration du bruit a réduit les erreurs de transcription automatique de 15/166 mots (9,04 %) à 10/166 (6,02 %) avec les mêmes poids. L'amplitude avait été choisie sur un lot de développement distinct. Les 166 mots comptent les deux graines ; il s'agit de 8 textes distincts et d'un petit essai.

Le dernier retour d'écoute indique une meilleure compréhension sur l'extrait écouté, avec du grain ou de l'écho encore présent. La phrase et la graine de ce retour n'ont pas été précisées.

Ces observations ne valident ni le naturel, ni l'accent ivoirien, ni la fiabilité sur toute phrase. Les résultats ASR ne sont pas une note d'écoute humaine. Les essais qui dégradaient la compréhension ont été écartés de cette version.

Objectif

Obtenir une petite voix qui prononce clairement, parle naturellement et garde l'accent ivoirien sur des phrases nouvelles. Cette publication rend notre état actuel inspectable ; le modèle reste expérimental.

Crédits et conditions

Usage restreint, voir NOTICE.txt dans le dépôt GitHub. Les données tierces conservent leurs conditions propres.

SIWIS : Junichi Yamagishi, Pierre-Edouard Honnet, Philip Garner et Alexandros Lazaridis (2017), The SIWIS French Speech Synthesis Database, 2016, Université d'Édimbourg. Source et DOI, CC BY 4.0 selon le README. Le miroir rééchantillonné et la préparation sont des modifications distinctes du corpus original.

Références de méthode : Matcha-TTS, Vocos, HiFi-GAN, APNet.