Pocket TTS TTS
A compact 100M-parameter CPU model from Kyutai (makers of Moshi) with single-sample voice cloning.
برای کنترل دقیق ، متن خود را در برچسبهای SSML بپیچید:
<speak><prosody rate="slow">Slow speech</prosody></speak>
برچسبهایی که مدل برگزیده میفهمد — برای انداختن یکی در متن خود ، جایی که اتفاق میافتد ، کلیک کنید:
این مدل متن ساده را میخواند ، بنابراین برچسبهای خطی نادیده گرفته میشوند. برای احساسات مبتنی بر برچسب ، به یک مدل بیانی مانند Orpheus یا Bark تغییر دهید.
تعریف تلفظ سفارشی) کلمه = تلفظ (:
در مورد Pocket TTS
Pocket TTS comes from Kyutai, the lab behind the Moshi speech model, and is built around a transformer paired with the Mimi codec. At just 100M parameters it runs efficiently on CPU, yet it still supports zero-shot voice cloning from a single audio sample — an unusual feature at this size. It covers English and French and handles up to 1,000 characters per request at fast (~2s) speeds. The small footprint and ~1GB VRAM make it a natural fit for edge deployment and low-resource or CPU-only environments where quick voice cloning is needed.
بهترین برای: Lightweight deployment, CPU-only environments, quick voice cloning
مرور همۀ Pocket TTS صداهايه نگاهي بنداز
- توسعهدهنده
- Kyutai
- مجوز
- MIT
- حیوان
- free
- سرعت
- fast
- شبیهسازی صدا
- آره
- زبانها
- English, French
- بیشینه نویسهها
- 1000