Pocket TTS
PulseAugur coverage of Pocket TTS — every cluster mentioning Pocket TTS across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
Underdog Woof TTS模型发布,可在CPU上运行
ConwayResearch发布了Underdog Woof,这是一个小巧的英语文本到语音模型,比同类模型显著更小、更快。它在特定测试用例中拥有1.42%的词错误率,并且可以在没有GPU的笔记本CPU上运行。该模型包含Juno和Mira两个声音,以一个40.6 MB的文件形式分发,并且只需要很少的内存。
-
Hugging Face 发布 Phonon TTS,实现设备端高质量语音
Hugging Face 发布了 Phonon,这是一款小巧的设备端文本转语音模型,专为隐私和离线使用而设计。该模型有两种尺寸,支持多种语言,并能处理电话号码和日期等复杂输入。Phonon 在发布后的两周内下载量超过 20 万次,获得了显著的采用,并在 Hugging Face 的 Open TTS Leaderboard 上表现出色。
-
Silencio-2 TTS模型发布,支持情感和声音标签
一款名为Silencio-2的新型开源文本转语音(TTS)模型已发布,该模型基于Kyutai的Pocket TTS构建。该模型拥有1820万个参数,可以直接在文本中加入情感和声音标签来影响语音输出。它在CPU上可实现约20倍的实时性能,并支持语音克隆和各种情感及声音标签等功能,尽管一些标签如“whisper”(耳语)被指出稳定性较低。
-
Anthropic SDK 和 Claude Code 重大更新,Ollama 新增模型
Anthropic 发布了其 SDK 和工具的多项更新,包括其 Python SDK 和 Claude Code 的新功能。Python SDK 现在支持更详细的分析、错误处理以及与 Amazon Bedrock 和 Google Cloud Vertex AI 等云平台的集成。Claude Code 在处理各种模型方面得到了改进,包括 Claude Fable 5.2 和 Vertex AI 的更快速模式,同时还修复了与权限、文件操…
-
Gradium 开源 Phonon 设备端 TTS 模型
Gradium 发布了 Phonon,这是一个设备端文本转语音模型系列,提供 3100 万和 4000 万参数版本。仅限英语的 Phonon 31m 模型采用 Apache 2.0 许可,体积小巧,仅 64.5 MB,可以在包括 CPU、手机和浏览器在内的各种设备上本地生成语音,无需 GPU。Gradium 声称 Phonon 实现了具有竞争力的性能,其中 31m 模型在挑战性文本数据集上报告的词错误率为 1.70%,并在 CPU 上…
-
Hugging Face Transformers v5.21.0 增加了新模型,包括文档理解和 TTS 功能
Hugging Face 的 Transformers 库发布了 5.21.0 版本,引入了几个新模型和更新。值得注意的增加包括用于文档理解的 MiniCPM-OCR、Flint(一种具有混合注意力的混合专家语言模型)以及用于视觉文档理解的 UltraVBert。该版本还包含用于设备端文本转语音的 Gradium Phonon TTS 和 Kyutai's Pocket TTS,以及它们各自音频分词器的更新。另外,NVIDIA-Nem…
-
Locally Uncensored 为本地 LLM 添加实时语音助手
开源桌面应用程序 Locally Uncensored 推出了一项新的实时语音助手功能,允许用户通过语音与本地 LLM 进行交互。此测试版功能目前仅支持英语,集成了 Whisper 的语音识别、Pocket TTS 的文本转语音以及轮流对话功能,所有这些都在用户本地机器上运行。设置过程简单,占用磁盘空间小,并且该应用程序提供各种语音选项和工具集成以增强功能,但它也指出了性能指标和内存使用情况。
-
Pocket TTS以190万参数实现语音克隆
Pocket TTS,一个能够进行语音克隆的文本转语音系统,现已发布,其参数量大幅减少至仅190万。这一进展使得该技术更容易在计算资源有限的设备上进行本地部署。该项目旨在将先进的语音合成和克隆能力带给更广泛的应用。
-
AI视频工作室自动化内容创作,成本降至零
一位开发者创建了一个由Claude Code驱动的自动化视频制作工作室,能够在十天内生成多达40个视频。该工作室负责研究主题、编写脚本、使用开源模型免费克隆创作者的声音,并渲染视频。虽然YouTube和X的发布是自动化的,但Instagram和Facebook的上传仍需手动干预。该系统包含多个审查环节,以确保主题相关性和脚本质量,然后再进行制作。
-
本地 GPT Live 克隆在 RTX 3060 上运行,使用 Qwen3.5 9B 模型
一位用户成功创建了一个 GPT Live 语音助手的本地克隆版本,该版本可以在配备 12GB 显存的消费级 NVIDIA GeForce RTX 3060 显卡上运行。该设置使用了 Qwen3.5 9B 模型进行语言处理,Qwen3 1.7B 进行语音识别,以及 Pocket TTS 进行语音输出。该本地版本与 OpenAI "Improved Intelligence" 演示中使用的相同提示进行了测试,在不到六分半钟的时间内完成了任…
-
CPU 语音克隆基准测试:Pocket TTS、Kokoro、Audio8、XTTS v2 对比
一项实际基准测试在 CPU 性能上评估了四种语音克隆模型(Pocket TTS、Kokoro、Audio88 & Yassin 和 XTTS v2)。评估重点关注说话人相似度、自然度、清晰度和延迟,使用了具有不同说话人和口音的 VCTK 数据集。研究发现,虽然 XTTS v2 和 Audio88 & Yassin 是真正的零样本克隆模型,但 Kokoro 在自然度方面表现更好,而 Pocket TTS 和 Kokoro 可作为 CPU…
-
Llama.cpp 通过 Pocket-TTS 集成增加了设备端文本转语音功能
Llama.cpp 项目集成了 Pocket-TTS,实现了设备端文本转语音生成,无需云服务。此次集成允许直接从已支持大型语言模型的仓库进行本地语音合成。此外,GLM 5.2 的定价降低了 20%。
-
CPU TTS 评测:Pocket TTS 表现出平坦的 RTF,UTMOS 在自然度方面遇到困难
一项对四种基于 CPU 的文本转语音 (TTS) 模型——Kokoro、Supertonic、Inflect-Nano 和 Pocket TTS——的评测显示出不同的性能特征。Pocket TTS 采用流式语言模型架构,无论输入长度如何,其实时因子 (RTF) 保持一致,使其在交互式系统中具有可预测性。然而,UTMOS 评分指标显示出局限性,未能区分清晰但机械的输出和真正自然的语音,特别是对于 Inflect-Nano 等小型语音编码器。
-
Kyutai 的 Pocket TTS 提供基于 CPU 的语音克隆,仅需 5 秒音频
Kyutai 发布了 Pocket TTS,这是一个约 1 亿参数的流式语言模型,可自回归地生成音频令牌。该模型最值得注意的是,它能够从仅 5 秒的音频中进行零样本语音克隆,这是 Kokoro、Supertonic 和 Inflect-Nano 等其他 CPU 友好型模型所不具备的功能。虽然 Pocket TTS 是测试模型中最慢的,但它提供了在 CPU 上进行语音克隆的能力,而无需 GPU,使其成为交互式应用的独特选择。
-
用户寻求帮助实现Calm TTS论文,面临语音克隆问题
一位用户正在寻求有关实现研究论文中描述的Calm文本到语音模型的帮助。他们在复制模型性能方面遇到了困难,在生成有意义的文本和实现准确的语音克隆方面遇到了问题。用户尝试了各种技术,包括计划采样和调整数据条件,但面临诸如梯度爆炸以及文本质量与语音保真度之间的权衡等挑战。他们正在寻求关于如何进行的建议,是重新审视论文、增加数据集大小,还是解决潜在的系统设计缺陷。
-
Phonon-31m:发布设备端英文TTS模型
gradium/phonon-31m-en 模型是一个高质量的设备端文本转语音系统,能够生成自然的 24 kHz 英文语音。它足够小,可以在浏览器、手机或笔记本电脑 CPU 上运行,并在生成过程中流式传输音频。该模型基于 Kyutai 开发的 Pocket TTS 和 Mimi 编解码器,并根据 Apache 2.0 许可提供。