Крошечная модель озвучки обгоняет соперников в сто раз крупнее

ИИ-компания Gradium объявила о выпуске своей модели синтеза речи (TTS) Phonon — в сотрудничестве с Hugging Face, сайтом-репозиторием ИИ-моделей. Модель можно развернуть локально на мобильных устройствах или ноутбуках без необходимости в интернет-соединении. Она выходит в двух размерах: самая маленькая версия имеет 31 млн параметров, занимает около 65 МБ и генерирует звук за 28 мс. Это выгодно отличается от другой TTS-модели — Pocket TTS, — которая генерирует звук за 165 мс. По чёткости речи на Hugging Face Open TTS Leaderboard (публичном рейтинге TTS-моделей) Phonon вошла в топ-3 среди моделей, которые крупнее её по размеру до 100 раз. Младшая модель доступна по лицензии Apache 2.0 (она разрешает коммерческое использование), а старшая — по некоммерческой лицензии.

Такие модели отлично подходят для добавления голосовых функций в приложение — например, озвучки текста, голосовой обратной связи в интерфейсе, доступности. Поскольку модель работает локально, не нужно платить за каждый запрос облачному сервису TTS. К тому же лицензия Apache 2.0 у младшей модели означает, что её легко встроить в своё коммерческое приложение, не беспокоясь о лицензионных вопросах. Но учти: рейтинг оценивал именно чёткость речи, а не естественность или выразительность, так что если планируешь заменить дорогое облачное голосовое решение на Phonon в приложении, где важна интонация, обязательно послушай примеры записей!