Una mirada más cercana a Phonon TTS: Lanzamiento de habla en el dispositivo que supera los estándares
huggingface ·
Gradium ha lanzado Phonon, un modelo de texto a voz de alta calidad diseñado para ejecutarse completamente en dispositivos locales sin necesidad de conectividad a internet ni servidores en la nube. Los modelos están disponibles en dos tamaños pequeños, de aproximadamente 65 MB y 75 MB, y admiten inglés, francés, alemán, español y portugués con más de 100 voces integradas. Phonon utiliza técnicas de emparejamiento de flujos derivadas de la línea Pocket TTS para lograr una calidad de audio superior a pesar de su compacto tamaño. En sus primeras dos semanas, el proyecto recibió gran atención, registrando más de 200.000 descargas y destacándose en Hugging Face. En el Hugging Face Open TTS Leaderboard, Phonon ocupó el primer lugar en inteligibilidad para alemán y español, mientras que lideró las pruebas de streaming por CPU en velocidad. El lanzamiento incluye una versión con licencia Apache 2.0 para uso comercial y variantes no comerciales, junto con un nuevo marco de inferencia llamado ptts que admite varios backends de hardware como CPUs, GPUs y NPUs. Los desarrolladores pueden integrar Phonon en aplicaciones utilizando la biblioteca Transformers o implementaciones personalizadas, lo que permite funciones como clonación de voz y operación sin conexión.
huggingface