原題:ConwayResearch/Underdog-Woof
Conway Research(Underdog)の英語テキスト読み上げモデルで、JunoとMiraの2種類のボイスを内蔵しています。モデル全体は40.6 MBのファイルで構成され、numpyのみを依存関係としています。電話番号、日付、時刻、金額、コードを口語的な読み方で発音するルールベースの正規化器を内蔵しています。長いテキストは自動的に文単位に分割され、生成に異常が発生した場合は最大3回まで自動的に再生成されます。作者によると、Gradium TTS Hard Cases英語データセットにおける単語誤り率は1.42%(Mira)、Apple M5 Maxの単一CPUスレッドではリアルタイムの13.8倍の速度(Juno)で動作し、パラメータ数は合計で約3824万、出力は24 kHzのモノラル音声です。
なぜ重要か GPUやAPIキーが不要で、電話番号、日付、金額を口語的に正しく読み上げられるため、オフラインでの読み上げやローカルアプリケーションに適しています
上昇スコア 125 · いいね 126 · ダウンロード数 10
理由
- GPU、サーバー、APIキーが不要で、オフラインおよび組み込みシステム向けシナリオに適しています
- 作者は、複数のオープンソースおよびクラウドTTSとの同一条件での比較表と、直接試聴可能なサンプルを提供しています
- ブラウザ上で単一ボイス版をオンラインで試すことができます
使い方
- pip install numpyを実行し、リポジトリをダウンロードした後、python -m underdog_woof 「読み上げるテキスト」 -o hello.wavを実行します。--voice miraを追加することでボイスを変更できます
- PythonではWoof(voice="mira")を使用して生成します。seedを渡すことで同じ結果を得られます
リスク
- 英語のみをサポートしています
- 非商用ライセンス:商用利用には別途ライセンスの購入が必要で、作品の公開にはクレジット表示が必須です。本モデルまたはその音声を用いて他の音声モデルを訓練することは禁止されています
- 比較評価は作者自身によって実行および採点されています
- 本項目は実行されておらず、効果はモデルカードを参照してください