Mach Boom est une version compressée du modèle de synthèse vocale anglaise Phonon 31m de Gradium, réduite à 3.5 bits par poids, avec un fichier de modèle de 18.2 Mo. L'auteur a mesuré sur une machine virtuelle Xeon à 4 cœurs environ 8.3–8.4 fois le temps réel en mono-cœur, une mémoire vive maximale de 93 Mo et un délai de première audio en streaming de 61–78 millisecondes ; sur un ensemble de 250 phrases anglaises difficiles contenant beaucoup de chiffres, dates, montants et numéros, l'auteur rapporte un taux d'erreur de mot de 5.18%, inférieur aux 8.61% de la version originale fp32. Il est livré avec 4 voix, et les fichiers de voix de phonon-voices peuvent également être utilisés.
Pourquoi c'est important Petit volume, pas besoin de carte graphique, adapté pour l'intégration dans des applications locales ou des périphériques edge pour lire à voix haute des textes difficiles tels que les dates, les montants et les numéros.
J'aime 3 · Hausse de score « J'aime » 3 · Téléchargements « J'aime » 0
Licence : usage commercial autorisé · ComfyUI : non disponible · Mémoire GPU : ≈1 Go (estimation)
Raisons
- La licence Apache-2.0 permet l'usage commercial ; la méthode de test, le modèle de transcription et les objets de comparaison sont tous décrits dans la fiche du modèle
Utilisation
- Après hf download SyzygyResearch/Mach-Boom, exécutez pip install numpy tokenizers, puis lancez python tts.py "texte" -o out.wav --voice Zoey ; la première exécution compilera les noyaux pour le CPU local
Risques
- Ne prend en charge que Linux x86-64 et l'anglais ; nécessite gcc ou clang
- L'évaluation est réalisée par l'auteur, et l'ensemble de phrases difficiles provient du propre jeu de données de Gradium