fish-speech-1.5/../llama.cpp/convert_hf_to_gguf.py", line 5049, in main model_architecture = hparams["architectures"][0] . KeyError: 'architectures'

[raphael10-collab]

Objective: convert https://huggingface.co/facebook/seamless-m4t-v2-large model to gguf

Downloaded the model :

(.venv) raphy@raohy:~/whisper.cpp/models$ cat download-fb-seamless-m4t-v2-large.py
from huggingface_hub import snapshot_download
model_id="facebook/seamless-m4t-v2-large"
snapshot_download(repo_id=model_id, local_dir="fb-seamlessv2large",
                  local_dir_use_symlinks=False, revision="main")

(.venv) raphy@raohy:~/whisper.cpp/models$ python3 download-fish-speech-1.5.py 
/home/raphy/whisper.cpp/models/.venv/lib/python3.12/site-packages/huggingface_hub/file_download.py:832: UserWarning: `local_dir_use_symlinks` parameter is deprecated and will be ignored. The process to download files to a local folder has been updated and do not rely on symlinks anymore. You only need to pass a destination folder as`local_dir`.
For more details, check out https://huggingface.co/docs/huggingface_hub/main/en/guides/download#download-files-to-local-folder.
  warnings.warn(
.gitattributes: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.52k/1.52k [00:00<00:00, 7.75MB/s]
special_tokens.json: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 31.0k/31.0k [00:00<00:00, 54.5MB/s]
config.json: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 697/697 [00:00<00:00, 2.92MB/s]
README.md: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.68k/1.68k [00:00<00:00, 19.7MB/s]
tokenizer.tiktoken: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.70M/1.70M [00:00<00:00, 4.15MB/s]
(…)fly-gan-vq-fsq-8x1024-21hz-generator.pth: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 189M/189M [00:04<00:00, 42.6MB/s]
model.pth: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.28G/1.28G [00:30<00:00, 42.4MB/s]
Fetching 7 files: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 7/7 [00:30<00:00,  4.34s/it]
(.venv) raphy@raohy:~/whisper.cpp/models$ 
(.venv) raphy@raohy:~/whisper.cpp/models$ cat download-fish-speech-1.5.py 
from huggingface_hub import snapshot_download
model_id="fishaudio/fish-speech-1.5"
snapshot_download(repo_id=model_id, local_dir="fish-speech-1.5",
                  local_dir_use_symlinks=False, revision="main")

And tried to convert it to gguf :

(.venv) raphy@raohy:~/whisper.cpp/models/fish-speech-1.5$ python3 ../llama.cpp/convert_hf_to_gguf.py . --outfile fish-speech-1.5.gguf --outtype f16
INFO:hf-to-gguf:Loading model:
Traceback (most recent call last):
  File "/home/raphy/whisper.cpp/models/fish-speech-1.5/../llama.cpp/convert_hf_to_gguf.py", line 5077, in <module>
    main()
  File "/home/raphy/whisper.cpp/models/fish-speech-1.5/../llama.cpp/convert_hf_to_gguf.py", line 5049, in main
    model_architecture = hparams["architectures"][0]
                         ~~~~~~~^^^^^^^^^^^^^^^^^
KeyError: 'architectures'

How to make it work?