原题:ConwayResearch/Underdog-Woof
Conway Research(Underdog)的英文文本转语音模型,内含 Juno、Mira 两种音色,整个模型是一个 40.6 MB 文件,只依赖 numpy。内置规则归一化器,把电话号码、日期、时间、金额、代码按口语方式读出;长文本自动分句,生成异常时自动重抽最多三次。作者称在 Gradium TTS Hard Cases 英文集上词错误率 1.42%(Mira),在 Apple M5 Max 单个 CPU 线程上 13.8 倍实时(Juno),参数合计约 3824 万,输出 24 kHz 单声道。
为什么重要 不要显卡和 API Key,能把电话号码、日期、金额按口语读对,适合离线朗读和本地应用
上升分 125 · 点赞 126 · 下载量 10
理由
- 不需要 GPU、服务器或 API Key,适合离线和嵌入式场景
- 作者给出了与多款开源和云端 TTS 同口径的对比表,以及可直接试听的样例
- 浏览器里有单音色版可在线试用
用法
- pip install numpy,下载仓库后运行 python -m underdog_woof 「要读的文字」 -o hello.wav,加 --voice mira 换音色
- Python 里用 Woof(voice="mira") 生成,传 seed 可得到相同结果
风险
- 只支持英文
- 非商用许可:商用需另购授权,发布作品要署名,禁止用它或它的音频训练其他语音模型
- 对比评测由作者自己运行和打分
- 本条未运行,效果以模型卡为准