メインコンテンツへスキップ
ToolPotion
AI アドバイザー
送信(無料)

Audio8-TTS-Realistic-Air

AI モデルAIモデルとLLMオープンソース · Web

Audio8-TTS-Realistic-Airは、6億パラメータを持つテキスト読み上げモデルで、音声のリアリズムを向上させ、ゼロショット音声クローンを提供します。前モデルを拡張し、23言語をサポートし、完全なモデルチェックポイント、ニューラルオーディオコーデック、トークナイザー、プロセッサを含みます。このモデルは、柔軟な音声生成と高スループットのGPUサービングを目的としています。

モデルを見る
共有
モデルを見る
共有

Audio8-TTS-Realistic-Airは、Edge0によって開発された高度なテキスト読み上げ(TTS)モデルで、Hugging Faceで利用可能です。Audio8-TTS-Preview-0.6bを基にしており、このリリースは音声のリアリズムを大幅に改善し、より自然な韻律と表現力豊かな発音を提供しながら、コンパクトな6億パラメータのアーキテクチャを維持しています。

続きを読む

このモデルは、23言語をサポートする広範な多言語対応を誇ります。これには、プレビュー版からの11言語(広東語、中国語、オランダ語、英語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポーランド語、スペイン語)と、12の新しい追加(アラビア語、フィンランド語、ヒンディー語、インドネシア語、マレー語、ノルウェー語、ポルトガル語、ロシア語、スウェーデン語、タイ語、トルコ語、ベトナム語)が含まれています。前モデルと同じTransformers推論インターフェースを利用しており、開発者にとってアクセスしやすくなっています。

Audio8-TTS-Realistic-Airには、完全なモデルチェックポイント、44.1 kHzのニューラルオーディオコーデック、トークナイザー、プロセッサ、カスタムTransformersコードが含まれています。ゼロショット音声クローンを参照録音とトランスクリプトから提供する柔軟な生成をサポートし、参照なしでの音声生成も可能です。ユーザーは、Hugging Face ZeroGPUでホストされるインタラクティブなプレイグラウンドでこれらの機能を試すことができます。

高スループットアプリケーション向けに、このモデルはSGLang Omniアダプターを介したGPUサービングを特徴としています。このアダプターは、ページングアテンション、動的バッチ処理、OpenAI互換の音声APIを提供し、効率的でスケーラブルなデプロイを確保します。モデルのアーキテクチャは、Fish Audio S2 Proに触発されたDualAR設計で、遅いARトランスフォーマーが意味トークンを予測し、速いARトランスフォーマーがコーデックのコードブックを予測します。

インストールにはPython 3.10以降とCUDA対応のGPUが必要です。このモデルは、NVIDIA H20上でPyTorch 2.8.0およびTransformers 4.57.3でスモークテストされており、さまざまな言語生成と音声クローンをカバーしています。コードとモデルの重みはApache License 2.0の下でリリースされており、オープンアクセスと責任ある使用を促進しています。言語によって品質は異なりますが、このモデルはリアルで多言語のテキスト読み上げ合成において重要な前進を示しています。

  • カテゴリーAIモデルとLLM
  • 料金モデルオープンソース
  • デプロイクラウド
  • プラットフォームWeb

  • 自然な韻律と表現力豊かな発音による音声のリアリズムの向上

  • 23言語をサポートする広範な多言語対応

  • 601百万のメインモデルパラメータを持つコンパクトなモデルアーキテクチャ

  • 参照音声とトランスクリプトからのゼロショット音声クローン

  • 参照録音なしでの音声生成

  • 高スループットのためのSGLang OmniアダプターによるGPUサービング

  • OpenAI互換の/v1/audio/speech APIサポート

  • 高度な音声処理のためのDualARアーキテクチャ

  • バンドルされた44.1 kHzのニューラルオーディオコーデック

  • トークナイザー、プロセッサ、カスタムTransformersコードを含む

  • 動的バッチ処理とページングアテンションをサポート

  • コードとモデルの重みに対するApache License 2.0

  • 音声生成と音声クローンのテスト用インタラクティブプレイグラウンド

  1. モデルにアクセス: Hugging FaceのEdge0/Audio8-TTS-Realistic-Airページに移動します。

  2. 環境を設定: Python 3.10以上とCUDA対応のGPUがインストールされていることを確認します。

  3. モデルをロード: `trust_remote_code=True`を使用してカスタムTransformersコードでモデルをロードします。

  4. 音声を生成: プロセッサを使用して音声生成のための入力を準備します。

  5. 音声クローンを実行: クリーンな参照録音とその正確なトランスクリプトを提供してゼロショット音声クローンを行います。

  6. 推論を実行: 入力をモデルデバイスに移動し、生成とデコーディングのステップを実行します。

  7. サービングのためにデプロイ: OpenAI互換のAPIを使用して高スループットのGPUサービングのためにSGLang Omniアダプターを利用します。

  • リアルな音声生成
  • 多言語コンテンツ作成
  • ゼロショット音声クローン
  • インタラクティブ音声アプリケーション
  • 高スループットオーディオサービング
  • 研究開発

Edge0 の製品

Audio8-TTS-Realistic-0.6b のモデルです。

Audio8-TTS-Realistic-Air のレビュー

読み込み中...

Audio8-TTS-Realistic-Air に似た人気のAIツール

Audio8-TTS-Realistic-0.6bは、音声のリアリズムを向上させ、ゼロショット音声クローンを提供するテキスト読み上げモデルです。23の言語をサポートし、コンパクトな0.6Bアーキテクチャを使用しています。

AIモデルとLLM
ツールを見る

音声のリアリズムを向上させ、ゼロショット音声クローンを提供するテキスト読み上げモデルです。23の言語をサポートし、コンパクトな0.6Bアーキテクチャを使用しています。Audio8-TTS-Realistic-0.6bは、音声のリアリズムを向上させ、ゼロショット音声クローンを提供するテキスト読み上げモデルです。23の言語をサポートし、コンパクトな0.6Bアーキテクチャを使用しています。

AIモデルとLLM
AI モデル トップ5を見る

Bark AI Model

AI モデル

Barkは、Sunoによって開発されたトランスフォーマーベースのテキストからオーディオへのモデルで、リアルな多言語スピーチやその他のオーディオ形式を生成することができます。推論のための事前学習済みモデルチェックポイントをサポートしています。

AIモデルとLLM
ツールを見る

AI モデル

Sunoによって開発されたトランスフォーマーベースのテキストからオーディオへのモデルで、リアルな多言語スピーチやその他のオーディオ形式を生成することができます。推論のための事前学習済みモデルチェックポイントをサポートしています。Barkは、Sunoによって開発されたトランスフォーマーベースのテキストからオーディオへのモデルで、リアルな多言語スピーチやその他のオーディオ形式を生成することができます。推論のための事前学習済みモデルチェックポイントをサポートしています。

AIモデルとLLM
AI モデル トップ5を見る

Ming-3.0-tts-0.5B

AI モデル

Ming-3.0-tts-0.5Bは、ゼロショット音声クローンと自由形式の制御を提供する多言語音声合成モデルです。複数の言語と方言をサポートし、感情、速度、音程、音量を明示的に制御できます。

テキスト読み上げ
ツールを見る

AI モデル

ゼロショット音声クローンと自由形式の制御を提供する多言語音声合成モデルです。複数の言語と方言をサポートし、感情、速度、音程、音量を明示的に制御できます。Ming-3.0-tts-0.5Bは、ゼロショット音声クローンと自由形式の制御を提供する多言語音声合成モデルです。複数の言語と方言をサポートし、感情、速度、音程、音量を明示的に制御できます。

テキスト読み上げ
AI モデル トップ5を見る

Ming-3.0-tts-tiny

AI モデル

Ming-3.0-tts-tinyは、パラ言語的および自由形式の制御を備えた多言語音声合成モデルです。ゼロショット音声クローンと音声デザインをサポートし、配信や話し方に対する明示的な制御を提供します。

テキスト読み上げ
ツールを見る

AI モデル

パラ言語的および自由形式の制御を備えた多言語音声合成モデルです。ゼロショット音声クローンと音声デザインをサポートし、配信や話し方に対する明示的な制御を提供します。Ming-3.0-tts-tinyは、パラ言語的および自由形式の制御を備えた多言語音声合成モデルです。ゼロショット音声クローンと音声デザインをサポートし、配信や話し方に対する明示的な制御を提供します。

テキスト読み上げ
AI モデル トップ5を見る

Dia-1.6Bは、Nari Labsによって開発されたテキスト音声合成モデルで、16億のパラメータを特徴としています。トランスクリプトからリアルな対話を生成し、感情やトーンの制御をサポートし、非言語的な音を生成することもできます。現在、英語のみをサポートしています。

テキスト読み上げ
ツールを見る

Nari Labsによって開発されたテキスト音声合成モデルで、16億のパラメータを特徴としています。トランスクリプトからリアルな対話を生成し、感情やトーンの制御をサポートし、非言語的な音を生成することもできます。現在、英語のみをサポートしています。Dia-1.6Bは、Nari Labsによって開発されたテキスト音声合成モデルで、16億のパラメータを特徴としています。トランスクリプトからリアルな対話を生成し、感情やトーンの制御をサポートし、非言語的な音を生成することもできます。現在、英語のみをサポートしています。

テキスト読み上げ
AI モデル トップ5を見る

Chatterbox Turbo

AI モデル

Chatterbox Turboは、Resemble AIによって開発されたオープンソースのテキスト読み上げモデルで、350Mのパラメータと75msのレイテンシを持ち、超高速なパフォーマンスを提供します。5秒の音声からのボイスクローンと、表現力豊かな出力のためのパラ言語タグを特徴としています。

AIモデルとLLM
ツールを見る

AI モデル

Resemble AIによって開発されたオープンソースのテキスト読み上げモデルで、350Mのパラメータと75msのレイテンシを持ち、超高速なパフォーマンスを提供します。5秒の音声からのボイスクローンと、表現力豊かな出力のためのパラ言語タグを特徴としています。Chatterbox Turboは、Resemble AIによって開発されたオープンソースのテキスト読み上げモデルで、350Mのパラメータと75msのレイテンシを持ち、超高速なパフォーマンスを提供します。5秒の音声からのボイスクローンと、表現力豊かな出力のためのパラ言語タグを特徴としています。

AIモデルとLLM
AI モデル トップ5を見る

Apriel Voice 27B Previewは、ServiceNowによって開発されたオープンな音声テキストからテキストへのモデルで、270億のパラメータとTransformersを使用しています。音声リクエストを処理し、会話の文脈を推論し、テキスト応答とツール呼び出しを生成します。このモデルは、音声インターフェースを追加することでインタラクティブな音声…

AIモデルとLLM
ツールを見る

ServiceNowによって開発されたオープンな音声テキストからテキストへのモデルで、270億のパラメータとTransformersを使用しています。音声リクエストを処理し、会話の文脈を推論し、テキスト応答とツール呼び出しを生成します。このモデルは、音声インターフェースを追加することでインタラクティブな音声…Apriel Voice 27B Previewは、ServiceNowによって開発されたオープンな音声テキストからテキストへのモデルで、270億のパラメータとTransformersを使用しています。音声リクエストを処理し、会話の文脈を推論し、テキスト応答とツール呼び出しを生成します。このモデルは、音声インターフェースを追加することでインタラクティブな音声…

AIモデルとLLM
AI モデル トップ5を見る

whisper-large-v3

AI モデル

Whisper-large-v3は、自動音声認識および音声翻訳のための高度なモデルで、500万時間以上のデータで訓練されています。複数の言語においてパフォーマンスが向上しており、AIの開発者や研究者向けに設計されています。

AIモデルとLLM
ツールを見る

AI モデル

自動音声認識および音声翻訳のための高度なモデルで、500万時間以上のデータで訓練されています。複数の言語においてパフォーマンスが向上しており、AIの開発者や研究者向けに設計されています。Whisper-large-v3は、自動音声認識および音声翻訳のための高度なモデルで、500万時間以上のデータで訓練されています。複数の言語においてパフォーマンスが向上しており、AIの開発者や研究者向けに設計されています。

注目AIモデルとLLM
AI モデル トップ5を見る
1 / 8