一款名为 Gepard 1.0 的新型开源文本到语音（TTS）模型已发布，专为实时对话式交流而设计。该模型注重流式处理，在文本到达时就开始生成音频，实现了约50毫秒的首次音频生成时间。该模型采用了 Qwen3.5 0.8B 主干和 Nemo NanoCodec，提供零样本语音克隆功能，并支持英语、西班牙语、葡萄牙语和荷兰语等多种语言。虽然它在感知质量和实时性能方面表现出色，但在说话人相似度和词错误率方面与非流式模型相比存在一些权衡。 AI
影响 为实时应用中的更自然、更具响应性的语音交互提供了支持。
排序理由 一款具有性能基准的新模型开源发布。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
