Da sich generative KI kontinuierlich in Richtung multimodaler Ansätze weiterentwickelt, verlagert sich der Fokus von Text-to-Speech (TTS) zunehmend von cloudbasierten zu lokalen Lösungen. In der Vergangenheit basierten hochwertige TTS-Systeme häufig auf großen Modellen, cloudbasierter Inferenz und komplexen Bereitstellungsprozessen. Dies ermöglichte zwar natürliche Sprachausgabe, führte aber auch zu Problemen hinsichtlich Latenz, Kosten und Datenschutz. Insbesondere in Szenarien wie mobilen Geräten, Browsern und Edge-Hardware rückt die Echtzeit-Sprachgenerierung in hoher Qualität und mit geringerem Ressourcenverbrauch in den Mittelpunkt der Branche.

Im Mai dieses JahresDas Supertone-Team hat Supertonic-3, ein leichtgewichtiges, mehrsprachiges Text-zu-Sprache-Modell, als Open Source veröffentlicht. Es hat bereits 8.800 Sterne auf GitHub erhalten.Dieses Modell basiert auf ONNX Runtime und unterstützt den vollständig lokalen Betrieb. Es ermöglicht die Echtzeit-Sprachsynthese in einer CPU-Umgebung, ohne Cloud-APIs aufzurufen oder auf GPUs angewiesen zu sein.

Im Vergleich zu vielen aktuellen Open-Source-TTS-Systemen mit Milliarden von Parametern ist ein bemerkenswertes Merkmal von Supertonic-3, dass es „klein, aber vollständig“ ist.Das gesamte Modell verfügt über nur etwa 99 Millionen Parameter, unterstützt aber 31 Sprachen, 10 voreingestellte Klangfarben und bietet Funktionen wie die Segmentierung langer Texte, die Steuerung von Pausenintervallen und die Kennzeichnung von Gesichtsausdrücken.Entwickler können beispielsweise... , , Tags wie [Liste der Tags] verleihen der generierten Sprache natürlichere Emotionen und Pausen, ohne dass zusätzliche Audioreferenzen oder komplexe Prompt-Technik erforderlich sind.

Die offizielle Mitteilung besagt, dass die Inferenzgeschwindigkeit ausreicht, um eine ganze Webseite innerhalb einer Sekunde in Audio umzuwandeln und dabei direkt eine hochwertige 44,1-kHz-WAV-Datei mit 16 Bit auszugeben, die ohne weitere Nachbearbeitung abgespielt werden kann. Für Entwickler, die lokale KI-Assistenten, Offline-Reader, Sprachausgabesysteme oder mehrsprachige Content-Tools erstellen möchten, gewinnt diese Art von „leichtgewichtiger und plattformübergreifender“ Lösung zunehmend an Bedeutung.

kürzlich,Im Tutorial-Bereich der offiziellen Website von HyperAI (hyper.ai) findet sich nun „Supertonic-3: Ein leichtgewichtiges lokales mehrsprachiges Sprachsynthesesystem“, und die Einrichtung der Umgebung ist abgeschlossen.Erleben Sie hochwertige TTS-Modelle kostenlos mit Free CPU.

Online ausführen:

https://go.hyper.ai/Mr31r

Weitere Online-Tutorials:

https://hyper.ai/notebooks

Besuchen Sie unsere offizielle Website für weitere Informationen:

https://hyper.ai

Demolauf

1. Nachdem Sie die Hyper.ai-Homepage aufgerufen haben, wählen Sie die Seite „Tutorials“ aus oder klicken Sie auf „Weitere Tutorials anzeigen“, wählen Sie „Supertonic-3: Lightweight Local Multilingual Speech Synthesis System“ aus und klicken Sie auf „Dieses Tutorial ausführen“.

2. Nachdem die Seite weitergeleitet wurde, klicken Sie oben rechts auf „Klonen“, um das Tutorial in Ihren eigenen Container zu klonen.

Hinweis: Sie können die Sprache oben rechts auf der Seite ändern. Derzeit sind Chinesisch und Englisch verfügbar. Dieses Tutorial zeigt die Schritte auf Englisch.

3. Wählen Sie das Image „Free CPU“ und „PyTorch“ aus und klicken Sie auf „Continue job execution“.

HyperAI bietet Neukunden einen Registrierungsbonus: Für nur $1 erhalten Sie 20 Stunden RTX 5090 Rechenleistung (ursprünglich $7), und die Ressourcen sind unbegrenzt gültig.

4. Warten Sie, bis die Ressourcen zugewiesen wurden. Sobald sich der Status auf „Wird ausgeführt“ ändert, klicken Sie auf „Arbeitsbereich öffnen“, um den Jupyter-Arbeitsbereich zu betreten.

Effektanzeige

1. Nachdem die Seite weitergeleitet wurde, klicken Sie auf die README-Datei auf der linken Seite und anschließend oben auf Ausführen.

2. Sobald der Vorgang abgeschlossen ist, klicken Sie auf die API-Adresse rechts, um zur Demoseite zu gelangen.