A Gradium kiadta a helyben beszédet generáló Phonont

A Gradium október 20-i bejelentése a letölthető Phonon modellcsaládot mutatja be szövegfelolvasáshoz: az írott bemenetet beszédhanggá alakítja. A vállalat telefonon, laptopon és böngészőben végzett helyi generálásra tervezte. A beszélő felületet készítő fejlesztők számára az a lényegi változás, hogy a hang előállításához nem szükséges minden egyes szöveget távoli beszédszolgáltatásnak elküldeni.

Az angol modell adatlapja szerint a Phonon 31m már a generálás közben folyamatosan adja a beszédhangot, 24 kHz-es monó kimenettel. A nyelvi beállítás vezérli a számok és dátumok felolvasáshoz történő átalakítását; ennél a modellnél az en érték használatos. Angol modellről van szó: más nyelveknél hibás lehet a kiejtés. A hosszú bemenetet mondatokra bontja, ezért a ritmus és hanglejtés nem folytatódik megszakítás nélkül a teljes szövegen át.

A futtatókörnyezet kódtára pontosítja a kezdeti beállítás szerepét. Rustban írt megvalósításához nem kell PyTorch, a uv gyorsindító példája pedig WAV-fájlba alakítja a szöveget. Az első futtatás letölti és gyorsítótárazza az alapértelmezett modellt. A modellcsomagból hiányzó, kért hang újabb letöltést indíthat a parancssori vagy Python-felületen. Helyi modellmappákhoz nem szükséges Hub-hozzáférés. A helyi beszédgenerálást ezért érdemes megkülönböztetni a hozzá szükséges fájlok kezdeti beszerzésétől.

Az október 22-i MarkTechPost-beszámoló szintén ismerteti a kiadást. Benchmarktáblázata kifejezetten a Gradium blogjára és modelladatlapjára támaszkodik, nem saját, független méréseket közöl.