Pocket TTS ТТС
A compact 100M-parameter CPU model from Kyutai (makers of Moshi) with single-sample voice cloning.
Текстти SSML тегдерине өткөрүп берүү:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Белгилер, тандалган модель түшүнөт — текстке бирин коюу үчүн, аны чыкылдатыңыз:
Бул модель жөнөкөй текстти окуйт, ошондуктан тексттеги тегдер эске алынбайт. Тегдер менен эмоцияларды жаратууда Orpheus же Bark сыяктуу экспрессивдүү моделдерге өтүү керек.
Өзгөчө сүйлөмдөрдү аныктоо (сөз = сүйлөм):
Маалымат 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.
Эң жакшысы: Lightweight deployment, CPU-only environments, quick voice cloning
Баарын кароо Pocket TTS үнБир көз салуу
- Жазуучу
- Kyutai
- Лицензия
- MIT
- Тигр
- free
- Жылдамдыгы
- fast
- Сөздү клондоо
- Ооба
- Тилдер
- English, French
- Макс. символдор
- 1000