Pocket TTS
PulseAugur coverage of Pocket TTS — every cluster mentioning Pocket TTS across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。