Tới nội dung
Sự việc nóngĐang diễn ra

Halo NeuroAI phát hành dòng TTS Sopro V2, mã nguồn mở mô hình Turbo

1 bài viết1 nguồn đưa tinCập nhật 2 giờ trước

Bắt đầu từ đây

Tóm tắt AI

Halo NeuroAI đã phát hành Sopro V2, một dòng mô hình chuyển văn bản thành giọng nói, và mã nguồn mở thành viên nhanh nhất của dòng này, sopro-v2-turbo, một mô hình nhân bản giọng nói 120M tham số chạy trên CPU laptop hoặc trong trình duyệt và hỗ trợ tiếng Anh, tiếng Đức, tiếng Pháp và tiếng Bồ Đào Nha châu Âu. Công ty báo cáo rằng trên CPU Apple M3, mô hình tạo offline với tốc độ 0.24 RTF và phát trực tuyến với 0.21 RTF, mất khoảng 300 ms để có âm thanh đầu tiên, trong khi một H100 đơn lẻ đạt 0.07 RTF offline. Mô hình được huấn luyện qua bốn giai đoạn, bao gồm chưng cất từ một giáo viên 0.5B và một bước reflow giúp giảm số bước giải âm học từ 32 xuống 2; Halo NeuroAI báo cáo WER 1.63 trên Seed-TTS test-en và 1.79 trên LibriSpeech test-clean theo giao thức F5-TTS. Bản demo cục bộ khởi động bằng một lệnh, và bản demo ONNX hoàn toàn trong trình duyệt không cần máy chủ, tuy nhiên trên thiết bị di động mô hình được lượng tử hóa và kết quả có thể kém hơn một chút, và thiết bị ít bộ nhớ có thể bị treo. Halo NeuroAI cho biết chưa có kế hoạch phát hành mã huấn luyện sớm do độ phức tạp của nó.

Tạo từ các bài viết · cập nhật 2 giờ trước

Dòng thời gian bài viết

Theo các bài viết để thấy sự việc từ nhiều phía.

17 tháng 11
  1. Hacker News · AI
    Halo NeuroAI mã nguồn mở Sopro V2 Turbo, mô hình TTS nhân bản giọng nói 120M chạy trên thiết bị

    Halo NeuroAI đã phát hành Sopro V2, một họ mô hình chuyển văn bản thành giọng nói, và mã nguồn mở thành viên nhanh nhất sopro-v2-turbo, một mô hình nhân bản giọng nói 120 triệu tham số có thể phát trực tuyến trên CPU laptop hoặc trong trình duyệt và hỗ trợ tiếng Anh, tiếng Đức, tiếng Pháp và tiếng Bồ Đào Nha châu Âu. Trên CPU Apple M3, mô hình tạo offline với RTF 0,24 và phát trực tuyến với khoảng 300 ms đến âm thanh đầu tiên ở RTF 0,21, trong khi một H100 đạt RTF 0,07 offline. Mô hình được xây dựng qua bốn giai đoạn huấn luyện, bao gồm chưng cất từ một teacher 0,5B và reflow giúp giảm số bước giải acoustic từ 32 xuống 2, và các tác giả báo cáo WER 1,63 trên Seed-TTS test-en và 1,79 trên LibriSpeech test-clean theo giao thức F5-TTS.

Độ nóng của sự việc này

Chưa đủ quan sát liên tục để vẽ xu hướng.