Underdog Woof: модель синтеза речи на английском языке, работающая только на CPU

Модель преобразования текста в речь на английском языке от Conway Research (Underdog), содержащая два голоса — Juno и Mira. Вся модель представляет собой файл размером 40.6 МБ, зависящий только от numpy. Встроенный нормализатор правил произносит телефонные номера, даты, время, суммы и коды так, как они читаются в устной речи; длинные тексты автоматически разбиваются на предложения, а при сбоях генерации выполняется повторная попытка до трех раз. Автор утверждает, что на английском наборе сложных случаев Gradium TTS Hard Cases показатель ошибки слов составляет 1.42% (для голоса Mira), скорость работы достигает 13.8-кратной реального времени на одном потоке CPU в Apple M5 Max (для голоса Juno), общее количество параметров составляет около 3824 тысяч, а выходной сигнал — монофонический с частотой дискретизации 24 кГц.

Оригинальное название: ConwayResearch/Underdog-Woof

Модель преобразования текста в речь на английском языке от Conway Research (Underdog), содержащая два голоса — Juno и Mira. Вся модель представляет собой файл размером 40.6 МБ, зависящий только от numpy. Встроенный нормализатор правил произносит телефонные номера, даты, время, суммы и коды так, как они читаются в устной речи; длинные тексты автоматически разбиваются на предложения, а при сбоях генерации выполняется повторная попытка до трех раз. Автор утверждает, что на английском наборе сложных случаев Gradium TTS Hard Cases показатель ошибки слов составляет 1.42% (для голоса Mira), скорость работы достигает 13.8-кратной реального времени на одном потоке CPU в Apple M5 Max (для голоса Juno), общее количество параметров составляет около 3824 тысяч, а выходной сигнал — монофонический с частотой дискретизации 24 кГц.

Почему это важно Не требуются видеокарта и API-ключ. Модель корректно произносит телефонные номера, даты и суммы в устной форме, что подходит для офлайн-озвучивания и локальных приложений

Рост рейтинга: 125 · Лайки: 126 · Количество загрузок: 10

Причины

  • Не требуются GPU, сервер или API-ключ, что подходит для офлайн-сценариев и встроенных систем
  • Автор предоставил сравнительную таблицу с несколькими открытыми и облачными TTS-системами на одинаковых условиях, а также примеры аудио для прослушивания
  • В браузере доступна версия с одним голосом для онлайн-тестирования

Использование

  • Выполните pip install numpy, скачайте репозиторий и запустите python -m underdog_woof «текст для озвучивания» -o hello.wav; используйте флаг --voice mira для смены голоса
  • В Python создайте объект Woof(voice="mira") для генерации речи; передача параметра seed обеспечивает воспроизводимый результат

Риски

  • Поддерживается только английский язык
  • Лицензия не для коммерческого использования: для коммерческих целей требуется отдельная лицензия, при публикации работ необходимо указывать авторство, запрещено использовать модель или ее аудио для обучения других речевых моделей
  • Сравнительные оценки выполнены и выставлены самим автором
  • Данная запись не была проверена на практике; фактические характеристики следует уточнять по карточке модели

Открыть

Hugging Face Trending

Открыть последние новости ИИ