Inflect-Nano-v2

Inflect-Nano-v2 Kompletna lokalna synteza mowy z tekstu na falę dźwiękową poniżej 4M parametrów. TTS w języku angielskim z ustaloną głosowością, obsługą długich tekstów oraz inferencją na CPU lub CUDA. > Uwaga od Owena

Dziękuję bardzo za wszelkie wsparcie okazane temu projektowi! Zbudowałem i sfinansowałem Inflect v2 niezależnie – jeśli ta wersja znajdzie prawdziwą publiczność, chciałbym kontynuować projekt z wersją v3, która może obejmować takie rzeczy jak więcej języków, głosów i poprawy stabilności. Jeśli model jest dla Ciebie użyteczny, zostawienie polubienia na Hugging Face naprawdę pomaga innym osobom go odkryć. 3,966,721 parametrów do wdrożenia · 15.97 MB FP32 · 24 kHz mono output > Nowość: publiczny zestaw narzędzi do adaptacji Przygotuj dane, audytuj podziały treningowe/walidacyjne, dostosuj ustaloną głosowość lub język, wznow trening, oceniaj punkty kontrolne i eksportuj pakiety PyTorch lub ONNX za pomocą zestawu narzędzi do adaptacji Inflect. Jakość dostosowania jest eksperymentalna i zależy od zestawu danych, frontend i oceny płynnego mówcy. Inflect v2 używa jednego publicznego API w dwóch rozmiarach: Micro priorytetuje jakość poniżej 10M parametrów; Nano priorytetuje ślad poniżej 4M.

Zacznij tutaj	Szczegóły techniczne
Słuchaj	Architektura
Ocena	Kontrole i długie teksty
Wybierz Micro lub Nano	Dane i adaptacja
Uruchom lokalnie	Eksporty i kwantyzacja
Dostosuj głos lub język	Przepływ pracy treningu i eksportu
Mapa pakietów	Ocena i surowy protokół
Ograniczenia	Przewodnik po wdrożeniu

To są generacje tekstu, które zostały zarezerwowane, a nie rekonstrukcje dźwięku treningowego. Każdy transkrypt jest pokazany dokładnie tak, jak został przekazany do publicznego frontendu.

Test	Dokładny transkrypt	Wygenerowany dźwięk
Konwersacyjny	Dopiero później zdałem sobie sprawę, co tak naprawdę się wydarzyło.
Interpunkcja	Po pierwsze, zamknij okno; po drugie, wyłącz lampę; na koniec, zamknij drzwi.
Liczby	Paczka waży dwanaście przecinek sześć kilogramów i dotarła dwudziestego pierwszego lipca.
Nazwy i miejsca	Gwendolyn sfotografowała drzewa eukaliptusowe na zewnątrz Lublany.
Techniczne	System działa na trzech podstawowych komponentach, które muszą być zsynchronizowane.