ข้ามไปที่เนื้อหา
Hacker News · AI·· 2 ชม. ที่แล้วคะแนน AI71

Halo NeuroAI เปิดซอร์ส Sopro V2 Turbo โมเดล TTS โคลนเสียงขนาด 120M ที่ทำงานบนอุปกรณ์

Sopro V2: private, fast, on-device text-to-speech

สรุปโดย AI

Halo NeuroAI เปิดตัว Sopro V2 กลุ่มโมเดลแปลงข้อความเป็นเสียง และเปิดซอร์สสมาชิกที่เร็วที่สุดอย่าง sopro-v2-turbo ซึ่งเป็นโมเดลโคลนเสียงขนาด 120M พารามิเตอร์ที่สตรีมบน CPU ของแล็ปท็อปหรือในเบราว์เซอร์ และรองรับภาษาอังกฤษ เยอรมัน ฝรั่งเศส และโปรตุเกสยุโรป บน CPU Apple M3 โมเดลสร้างเสียงแบบออฟไลน์ที่ 0.24 RTF และสตรีมโดยใช้เวลาประมาณ 300 ms ถึงเสียงแรกที่ 0.21 RTF ขณะที่ H100 ตัวเดียวทำได้ 0.07 RTF แบบออฟไลน์ โมเดลนี้สร้างผ่านสี่ขั้นตอนการฝึก รวมถึงการกลั่นจากทีชเชอร์ขนาด 0.5B และ reflow ที่ลดขั้นตอนตัวแก้เชิงอะคูสติกจาก 32 เหลือ 2 และผู้เขียนรายงานค่า WER 1.63 บน Seed-TTS test-en และ 1.79 บน LibriSpeech test-clean ภายใต้โปรโตคอล F5-TTS

แหล่งข่าว:Hacker News · AI · research.haloneuro.ai