Instructions to use mimba/neutts-nano-plt with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use mimba/neutts-nano-plt with llama-cpp-python:

# !pip install llama-cpp-python

from llama_cpp import Llama

llm = Llama.from_pretrained(
	repo_id="mimba/neutts-nano-plt",
	filename="gguf/backbone_plt_Q4_0.gguf",
)

output = llm(
	"Once upon a time,",
	max_tokens=512,
	echo=True
)
print(output)

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use mimba/neutts-nano-plt with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf mimba/neutts-nano-plt:Q4_0
# Run inference directly in the terminal:
llama cli -hf mimba/neutts-nano-plt:Q4_0

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf mimba/neutts-nano-plt:Q4_0
# Run inference directly in the terminal:
llama cli -hf mimba/neutts-nano-plt:Q4_0

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf mimba/neutts-nano-plt:Q4_0
# Run inference directly in the terminal:
./llama-cli -hf mimba/neutts-nano-plt:Q4_0

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf mimba/neutts-nano-plt:Q4_0
# Run inference directly in the terminal:
./build/bin/llama-cli -hf mimba/neutts-nano-plt:Q4_0

Use Docker

docker model run hf.co/mimba/neutts-nano-plt:Q4_0

LM Studio
Jan
Ollama
How to use mimba/neutts-nano-plt with Ollama:
```
ollama run hf.co/mimba/neutts-nano-plt:Q4_0
```

Unsloth Studio

How to use mimba/neutts-nano-plt with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for mimba/neutts-nano-plt to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for mimba/neutts-nano-plt to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for mimba/neutts-nano-plt to start chatting

Atomic Chat new
Docker Model Runner
How to use mimba/neutts-nano-plt with Docker Model Runner:
```
docker model run hf.co/mimba/neutts-nano-plt:Q4_0
```

Lemonade

How to use mimba/neutts-nano-plt with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull mimba/neutts-nano-plt:Q4_0

Run and chat with the model

lemonade run user.neutts-nano-plt-Q4_0

List all available models

lemonade list

You need to agree to share your contact information to access this model

This repository is publicly accessible, but you have to accept the conditions to access its files and content.

🎙️ NeuTTS-Nano — Plateau Malagasy (PLT)

Modèle de synthèse vocale NeuTTS-Nano fine-tuné pour le malgache du Plateau (dialecte standard), à partir de neuphonic/neutts-nano.

Dataset : mimba/plt-tts-dataset
Base model : neuphonic/neutts-nano
Speakers : spk_m1, spk_f1, spk_m2, spk_f2
Phonemization : Non (texte brut)

📊 Résultats d'entraînement

Courbe de loss (75 000 steps, ~1.93 epochs)

Courbe de loss NeuTTS-Nano sur PLT

Métrique	Valeur
Steps	75 000
Epochs	~1.93
Train loss initiale	1.860
Train loss finale	1.816
Meilleure loss	1.768 @ step 73 500
Amélioration totale	−2.4%

Évolution par phase

Phase	Steps	Loss moyenne	Évolution
Warmup + Exploration	500 – 10 000	1.929 ± 0.036	+4.5% (instabilité initiale)
Apprentissage actif	10 000 – 40 000	1.915 ± 0.036	−5.7% (descente rapide)
Affinement	40 000 – 75 000	1.812 ± 0.019	−1.0% (convergence douce)

La loss atteint son minimum à step 73 500 (epoch 1.90), puis remonte légèrement jusqu'à la fin. Cela suggère que le modèle a atteint sa capacité d'optimisation sur ce dataset avec la configuration actuelle.

🎧 Exemples audio

🔊 Synthèse par locuteur

Locuteur	Texte	Audio
👨 spk_m1 (homme)	"Mianatra teny malagasy aho."
👩 spk_f1 (femme)	"Mianatra teny malagasy aho."
👨 spk_m2 (homme)	"Mianatra teny malagasy aho."
👩 spk_f2 (femme)	"Mianatra teny malagasy aho."

🔊 Exemples variés

🔊 Texte	Lecteur
"Manao ahoana ianao?"
"Misafidia ny teny malagasy."
"Faly aho mahafantatra anao."

🧪 Configuration d'entraînement

# Hyperparamètres clés
learning_rate = 3e-5
max_steps = 75000
warmup_ratio = 0.10
batch_size = 1
gradient_accumulation_steps = 4  # batch effectif = 4

# LR Schedule
lr_scheduler = "cosine_with_min_lr"  # warmup -> cosine decay
min_lr = 0.0

# Modèle de base
base_model = "neuphonic/neutts-nano"
phonemize = False

🎧 Utilisation

Installation

pip install neuphonic

Inférence

from neuphonic import TTS

model = TTS.from_pretrained("mimba/neutts-nano-plt")

# Texte brut en malgache du Plateau
text = "Mianatra teny malagasy aho."
wav = model.synthesize(text, speaker="spk_m1")

# Changer de locuteur
wav = model.synthesize(text, speaker="spk_f1")

📁 Structure du dataset

Le dataset mimba/plt-tts-dataset contient :

Split	Durée	Locuteurs
Train	~8h	4 (2M, 2F)
Val	~1h	4 (2M, 2F)
Test	~1h	4 (2M, 2F)

Phonémisation : Non utilisée. Le modèle fonctionne en texte brut grâce à son backbone LLM riche.

📈 Analyse post-entraînement

Gradient health

Gradient norm moyenne : 1.284 ± 0.178
Gradient norm initiale : 1.320 @ step 500
Gradient norm finale : 1.212 @ step 75 000
Stabilité : Aucun pic anormal, gradients bien contrôlés sur l'ensemble du training

Convergence

Phase d'exploration (steps 500–10 000) : Instabilité initiale due au warmup, loss remonte légèrement (+4.5%)
Phase d'apprentissage (steps 10 000–40 000) : Descente rapide et régulière (−5.7%), le modèle apprend les patterns acoustiques du malgache
Phase d'affinement (steps 40 000–75 000) : Convergence douce (−1.0%), le modèle peaufine les détails prosodiques
Optimum : Step 73 500 (loss = 1.768) — les derniers steps montrent une légère remontée, suggérant un plateau

Recommandations

Checkpoint optimal : step 73 500 (loss = 1.768)
Dataset : Avec seulement ~1.93 epochs couverts, augmenter max_steps à 150 000+ pourrait améliorer la qualité
LR : La courbe de LR semble bien calibrée ; pas besoin de changement majeur

🎯 Limites connues

Problème	Cause	Solution
Couverture limitée (~1.93 epochs)	Dataset large, `max_steps` = 75 000	Augmenter `max_steps` à 150 000+ ou réduire le dataset
Pas de voice cloning	Entraînement sans référence cross-locuteur	Re-train avec prompts de clonage
Batch size limité	VRAM 12GB	`gradient_checkpointing=True` ou utiliser un GPU plus grand
Pas de validation metrics	Configuration sans eval periodique	Ajouter un loop de validation tous les N steps

🙏 Remerciements

Neuphonic pour NeuTTS-Nano
La communauté malgache pour les données vocales

📄 Citation

@misc{neuphonic2024neutts,
  title={NeuTTS-Nano: A lightweight neural text-to-speech model},
  author={Neuphonic},
  year={2024},
  howpublished={https://huggingface.co/neuphonic/neutts-nano}
}
@misc{
      title={afrilang: Small Out-of-domain resource for various africain languages}, 
      author={Mimba Ngouana Fofou},
      year={2026},
}

📬 Contact

Pour questions ou contributions : ouvrez une issue sur ce repo ou contactez @mimba.

Licensing Information

This model is released under the Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) license.

Contact For all questions contact @Mimba.

Downloads last month: 5

GGUF

Model size

0.2B params

Architecture

llama

Hardware compatibility

4-bit

16-bit

mimba
/

neutts-nano-plt