Un regard approfondi sur Phonon TTS : Lancement d'une synthèse vocale haute qualité sur appareil qui domine les benchmarks
huggingface ·
Gradium a publié Phonon, un modèle de synthèse vocale (TTS) de haute qualité conçu pour fonctionner entièrement sur des appareils locaux sans nécessiter de connectivité internet ni de serveurs cloud. Les modèles sont disponibles en deux petites tailles, d'environ 65 Mo et 75 Mo, et prennent en charge l'anglais, le français, l'allemand, l'espagnol et le portugais avec plus de 100 voix intégrées. Phonon utilise des techniques d'appariement de flux issues de la lignée Pocket TTS pour atteindre une qualité audio supérieure malgré son empreinte compacte. Au cours de ses deux premières semaines, le projet a suscité une attention significative, enregistrant plus de 200 000 téléchargements et devenant tendance sur Hugging Face. Sur le classement Open TTS de Hugging Face, Phonon s'est classé premier en intelligibilité pour l'allemand et l'espagnol, tout en dominant les benchmarks de streaming CPU pour la vitesse. La version sous licence Apache 2.0 est disponible pour un usage commercial, ainsi que des variantes non commerciales, accompagnées d'un nouveau framework d'inférence appelé ptts qui prend en charge divers backends matériels tels que les CPUs, les GPUs et les NPUs. Les développeurs peuvent intégrer Phonon dans leurs applications à l'aide de la bibliothèque Transformers ou d'implémentations personnalisées, permettant des fonctionnalités telles que le clonage vocal et le fonctionnement hors ligne.
huggingface