Pocket TTS نووسراو بۆ بیستراو
A compact 100M-parameter CPU model from Kyutai (makers of Moshi) with single-sample voice cloning.
نوسراوەکەت بگۆڕە بۆ تگەکانی SSML بۆ کۆنتڕۆڵی ڕاستەقینە:
<speak><prosody rate="slow">Slow speech</prosody></speak>
تگەکان کە مۆدێلی هەڵبژێردراو تێیدەگات - بکەرەوە بۆ ئەوەی یەکێکیان بخەیتە ناو دەقەکەتەوە کە تیایدا ڕوودەدات:
ئەم مۆدێلە نوسراوێکی ئاسایی دەخوێنێتەوە، بۆیە تاگەکانی ناو ڕستە پشتگوێ دەخرێت. بۆ هەستێکی لەسەر بنەمای تاگ، بگەڕێ بۆ مۆدێلێکی دەربڕین وەک ئۆرفیۆس یان بارک.
پێناسەکردنی دەنگی خۆت (وشە = دەنگی):
دەربارەی 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.
باشترین بۆ: Lightweight deployment, CPU-only environments, quick voice cloning
سەردانی هەموویان بکە Pocket TTS دەنگیچاوپێکەوتن
- پەرەپێدەر
- Kyutai
- مۆڵەتی بەکارھێنەر
- MIT
- یهمهن
- free
- خێرایی
- fast
- دووبارە دروستکردنی دەنگی
- بەڵێ
- زمان
- English, French
- زۆرترین پیت
- 1000