Mach Boom は、Gradium の Phonon 31m 英語音声合成モデルを重みあたり 3.5 ビットに圧縮したバージョンで、モデルファイルサイズは 18.2 MB です。著者は 4 コアの Xeon 仮想マシン上で、単一コアあたり約 8.3~8.4 倍のリアルタイム速度、ピークメモリ使用量 93 MB、ストリーミング時の最初の音声セグメント生成に 61~78 ミリ秒を要することを測定しました。数字、日付、金額、番号が多用された 250 文の英語難解文において、著者は単語誤り率(WER)が 5.18% で、元の fp32 モデルの 8.61% よりも低いと報告しています。標準で 4 種類のボイスが含まれており、phonon-voices のボイスファイルも使用可能です。
なぜ重要か サイズが小さく GPU が不要なため、ローカルアプリケーションやエッジデバイスに組み込み、日付、金額、番号などの読み上げが難しいテキストを処理するのに適しています。
ハグ顔点赞 3 · ハグ顔上昇分 3 · ハグ顔ダウンロード数 0
ライセンス:商用利用可 · ComfyUI:未対応 · VRAM:約 1 GB(推定)
理由
- Apache-2.0 ライセンスにより商用利用が可能で、テスト方法、転写モデル、比較対象はすべてモデルカードに記載されています
使い方
hf download SyzygyResearch/Mach-Boomを実行した後、pip install numpy tokenizersで依存関係をインストールし、python tts.py "テキスト" -o out.wav --voice Zoeyを実行します。初回実行時には、ローカル CPU 向けにカーネルがコンパイルされます
リスク
- Linux x86-64 と英語のみをサポートしており、gcc または clang が必要です
- 評価は著者によって実施され、難解文セットは Gradium 独自のものであります