AI宝库

AI宝库首页 › AI 资讯 › Edge0 发布 Audio8-TTS-Realistic,一种0.6B语音克隆

Edge0 发布 Audio8-TTS-Realistic,一种0.6B语音克隆TTS模型

来源:MarkTechPost · 发布时间:10-30 · 由 AI宝库每小时自动聚合

Edge0 发布 Audio8-TTS-Realistic,是Apache 2.0下的一个0.6B开口重的零镜头语音克隆TTS模型。 它支持23种语言和新增一个最终的GRPO阶段

Edge0拥有发布 Audio8-TTS-Realistic,为零镜头语音克隆的开口量文本转语音型。 Audio8-TTS-Realistic是一个0.6B参数模型,从1个参考剪辑和誊本中复制出一个语音。 它支持23种语言,比它的前身多12种。 Apache 2.0下方的重量和密码船。 对于开发者来说,捕获量是竞争性多语种精度,其大小对微调来说是便宜的并服务。

TL; DR 数据

- 大小:601M主模型参数(不包括代码);最多2 048个装入的文字/上下文的音频位置。

- 运行:建议使用CUDA GPU;在BF16的NVIDIA H20上进行烟雾测试。 论文在Apple M2 CPU(INT4 ONNX)上报告了1.1至1.2 GiB峰值内存。 没有现实的 ONNX 导出是公开的。

- 性能:领先于CV3上较大的开放型号,落后于MiniMax上4B级型号。

- 最佳:9种语言平均CV3出错4.86%,Qwen3-TTS-1.7B为7.73%。

- 最糟的是:48.57%的WER在泰语(CV3)上,31.35%的CER在广东语(MiniMax)上。

什么是Audio8-TTS-Realistic? (英语).

这是Edge0的Audio8 TTS家族的第二个0. 它以Audio8-TTS-Preview-0.6b为基础,并保持了相同的变形器推论接口。 寄存器捆绑了检查站,一个44.1千赫神经音频编码器,活化器,处理器和自定义代码。 它也可以在没有参考声音的情况下生成语音。

新语言有阿拉伯语,芬兰语,印地语,印尼语,马来语,挪威语,葡萄牙语,俄语,瑞典语,泰语,土耳其语和越南语。

建筑如何运作?

该型号采用了由Fish Audio S2 Pro所启发的双自旋(DualAR)设计。 根据技术研究报告,慢分行是建立在Qwen2.5 0.5B上。 它有24层,宽度896,运行速度约为每秒21.5帧。 每一步都会预测出文本符号外加第一个音频代码本。

一个浅的4层快分行接下来会同时预测剩下的9个代码本。 因此,顺序计算只在帧一级进行。

Edge0如何训练现实主义?

团队认为,单词出错率(WER)和扬声器相似度(SIM)错失了节奏,暂停和时间。 一个模型在两者上都能得分良好,并且仍然是声音合成。

培训分为三个阶段:

- 多语种监督微调(SFT)。

- GRPO 附加奖励:WER0.7重,SIM0.3重。

- GRPO由一位有学问的现实主义评论家指导。

评论家根据同一句子的相匹配的人类记录来评分每个输出。 它接受了由6个开源 TTS系统所建造的优质梯子的训练。 这些作品被评为"私自盲目听力研究",以人类录音为最。 合成暂停压缩新增精细跑向梯子。

失去身份后,评论家无法奖励发电机指纹。 评论家头部在被冷冻的WavLM大型编码器上方有大约3M参数。 持续时间的处罚还比参考长度高1.35倍。 这阻止了政策以较慢的言论来吸引批评者。

决赛阶段仅使用中英文提示。 它仍然改进了13种低资源语言的总衡量标准。 他们的错误从22.53%下降到20.77%,SIM从0.637上升到了0.679.

在基准测试上表现如何?.

以下所有数字均为自报出错率,较低者较好。

-种子-TTS (英文/中文):1.25%平均出错,SIM 0.704.

- CV3(9种语言):平均误差4.86%,SIM 0.661.

- MiniMax(24种语言):平均误差5.89%,SIM 0.754.

在CV3上,Audio8击败了VoxCPM2(5.35%),CosyVoice3-1.5B(6.89%)和Qwen3-TTS-1.7B(7.73%). 在MiniMax上,Qwen3-TTS-1.7B的成绩为27.41%,但官方只支持24种测试语言中的10种。

较大的模型仍然领先于其他地方。 Higgs TTS 3在CV3上报告4.41%,在MiniMax上报告2.74%. Qwen3-TTS-1.7B在种子-TTS上的平均比例为1.01%. Edge0本身称其表为参考比较,因为评价管道和文本正常化有所不同。

它如何与其他开放的TTS模型进行比较?

VoxCPM2的CV3平均值是从其每种语言表中计算的。

你怎么部署的?

安装 PyTorch 2.5+和变形器 4.57+,再以信任-remote code=True来加载。 语音克隆需要一个干净的参考片段及其准确的笔录。 GitHub repo 新增 a CLI,分批并监督微调脚本。

对于GPU服务来说,一个SGLang Omni适配器提供呼号关注,动态分批和OpenAI相容/v1/audio/speech API. Edge0 指出吞吐量和流出量没有基准。 Hugging Face ZeroGPU上的免费游戏场运行。

关键外卖

- 601M参数,23种语言,Apache 2.0重。

- 一个有学问的现实主义评论家推动最后的GRPO阶段。

- 4.86% CV3出错比Qwen3-TTS-1.7B和VoxCPM2.

- 4B级的Higgs TTS 3仍然领先于CV3和MiniMax.

- 低资源语言仍然薄弱,泰国语接近49%。

看看报纸,模型重量,Repo和样本并加入我们的通讯。 等等,你在电报里吗?现在你也可以加入我们的电报。

需要和我们合作推广您的 GitHub Repo OR Hugging Face Page OR Product Release OR Webinar等吗?联系我们

Asif Razzaq是Marktechpost AI Media Inc.的首席执行官。 作为一个有远见的企业家和工程师,阿西夫致力于利用人工智能的潜力为社会造福。 他最近的努力是人工智能媒体平台的发布,该平台以深入报道机器学习和深层学习新闻而出名,这些新闻在技术上既可靠又为广大观众所容易理解。 该平台每月有超过200万次观看,表明其受观众欢迎。

本文由 AI宝库自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(marktechpost.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI宝库首页 · 提交工具 · 商务合作 · 关于本站 · 598 款 AI 工具分类导航 · 每日 AI 热门项目与动态