फोनन टीटीएस पर एक नज़र: ऐसे हाई-क्वालिटी ऑन-डिवाइस स्पीच का लॉन्च जो बेंचमार्क्स में शीर्ष पर है
huggingface ·
ग्रैडियम ने फोनन (Phonon) जारी किया है, जो एक उच्च-गुणवत्ता वाला टेक्स्ट-टू-स्पीच मॉडल है जिसे इंटरनेट कनेक्टिविटी या क्लाउड सर्वर्स की आवश्यकता के बिना पूरी तरह से स्थानीय उपकरणों पर चलाने के लिए डिज़ाइन किया गया है। यह मॉडल लगभग 65 एमबी और 75 एमबी के दो छोटे संस्करणों में उपलब्ध है और अंग्रेजी, फ्रेंच, जर्मन, स्पैनिश और पोर्चुगीज भाषाओं का समर्थन करता है, जिसमें 100 से अधिक इनबिल्ट वॉइस शामिल हैं। फोनन अपने संपीड़ित आकार के बावजूद श्रेष्ठ ऑडियो गुणवत्ता प्राप्त करने के लिए पॉकेट टीटीएस (Pocket TTS) वंशज से व्युत्पन्न फ्लो मैचिंग तकनीकों का उपयोग करता है। प्रकाशन के पहले दो सप्ताहों में इस परियोजना को काफी ध्यान मिला, जिसमें 200,000 से अधिक डाउनलोड दर्ज किए गए और यह हग्गिंग फेस (Hugging Face) पर ट्रेंड किया। हग्गिंग फेस ओपन टीटीएस लीडरबोर्ड पर, फोनन जर्मन और स्पैनिश दोनों में intelligibility (स्पष्टता) में पहले नंबर पर था और गति के लिए CPU स्ट्रीमिंग बेंचमार्क्स में भी शीर्ष पर रहा। रिलीज में व्यावसायिक उपयोग के लिए एपचे 2.0 लाइसेंस वाले संस्करण और गैर-वाणिज्यिक विकल्प शामिल हैं, साथ ही 'ptts' नामक एक नया इन्फरेंस फ्रेमवर्क भी है जो सीपीयू, जीपीयू और एनपीयू जैसे विभिन्न हार्डवेयर बैकएंड का समर्थन करता है। डेवलपर ट्रांसफॉर्मर्स लाइब्रेरी या कस्टम कार्यान्वयनों का उपयोग करके ऐप्स में फोनन को एकीकृत कर सकते हैं, जिससे वॉइस क्लोनिंग और ऑफलाइन संचालन जैसे सुविधाएं उपलब्ध होती हैं।
huggingface