Modellek · MarkTechPost ·
Az Edge0 nyílt súlyú, 23 nyelvű hangklónozó modellt adott ki
Az Edge0 0,6 milliárd paraméteres Audio8-TTS-Realistic modellje egyetlen hangminta és annak átirata alapján klónozza a hangot, és nyílt súlyokkal, Apache 2.0 licenc alatt érhető el.
Az Edge0 kiadta az Audio8-TTS-Realistic nevű szövegfelolvasó modellt, amely egyetlen referenciafelvétel és annak átirata alapján klónozza a hangot. A 0,6 milliárd paraméteres modell 23 nyelvet támogat, 12-vel többet, mint elődje, a súlyok és a kód pedig Apache 2.0 licenc alatt érhető el.
A közölt mérések szerint kilenc nyelven átlagosan 4,86%-os átlagos hibát ért el a CV3 tesztben, míg a Qwen3-TTS-1.7B 7,73%-ot. A leggyengébb eredmény thai nyelven 48,57%-os szóhibaarány volt, a MiniMax-teszten pedig a modell lemaradt a 4 milliárd paraméteres modellektől.
A tanítás három szakaszban zajlott, a realizmust pedig egy kritikus modell méri, amely a kimenetet emberi felvétellel hasonlítja össze. Futtatáshoz CUDA GPU ajánlott, az Apple M2 processzoron INT4 ONNX formátumban 1,1–1,2 GiB csúcsmemória szerepel a tanulmányban, de Realistic ONNX-export egyelőre nincs nyilvánosan.
Miért fontos neked?
Fejlesztők és kutatók, akik nyílt forráskódú hangklónozó rendszert keresnek többnyelvű projektekhez, most összevethetik a modellt saját nyelvi igényeikkel. A thai és kantoni eredmények, valamint az ONNX-export hiánya miatt helyi, éles futtatás előtt érdemes saját teszteket futtatni.
Az eredeti megnyitása (MarkTechPost)
Eredeti cím: Edge0 Releases Audio8-TTS-Realistic, a 0.6B Voice Cloning TTS Model
Címkék: hangszintézis, nyílt forráskód, modell