Hlas vzniká rychleji,
než se stihne říct.
Ocelot je malý model vzniklý destilací modelu pro syntézu řeči Qwen3-TTS.
Ocelot je malý model pro syntézu řeči, který převádí text na mluvené slovo. Po stisku tlačítka se horní pásek posouvá podle skutečného času generování a spodní stejnou rychlostí jako zvuk.
—× rychleji
Je malý,
a tak běží kdekoli.
Tvoří ho dvě malé sítě: jedna vytvoří z textu plán hlasu (melspektrogram), druhá z něj udělá zvukovou vlnu. Při posouvání se pohled oddaluje a ukáže se rozdíl ve velikosti oproti jiným modelům.
* Rychlost v mobilu právě měříme. předběžné
20 jazyků.
Poslechněte si je.
V každém jazyce jsme nechali přečíst krátký, střední a dlouhý text se stejným obsahem. Přehrajete je kliknutím na vlnu. Vybrat si můžete ze tří hlasů (další přibudou). Během přehrávání se přes vlnu kreslí čára s průběhem výšky hlasu.
Po kliknutí na vlnu se tu zobrazí čtený text.
* Vše jsou přesně ty nahrávky, které vznikly na CPU při měření čísel na této stránce (bez úprav). Obsah textů je smyšlený.
Nechte ho přečíst
vlastní text.
Napište text, vyberte jazyk a hlas a stiskněte tlačítko. Zvuk vzniká hned, na procesoru tohoto serveru. Nejvýše 200 znaků.
* Jazyk se nerozpoznává automaticky: vyberte jazyk, ve kterém je text napsaný. Čísla, zkratky a cizí vlastní jména se mohou přečíst špatně.
I dlouhý text
stejně rychle.
Délka zvuku (vodorovně) a čas generování (svisle) u všech 180 nahrávek. Každý bod leží pod čarou jedné desetiny délky řeči.
Když změníme počet vláken CPU
Porozumí tomu
i stroj?
Vytvořený zvuk jsme rozpoznáváním řeči (Whisper large-v3-turbo) převedli zpět na text a porovnali s původním textem. Výsledkem je „chybovost na úrovni znaků“: čím nižší, tím zřetelněji model čte.
Jak se z písmen
stane hlas.
Čtyři fáze ukážeme na jedné skutečné větě. Při posouvání se tvar postupně mění zleva doprava.
Text
Fonetický přepis
Plán hlasu
Zvuková vlna
- Převod na fonetický přepis zajišťují u japonštiny, angličtiny a chorvatštiny vlastní slovníky, u ostatních 17 jazyků espeak-ng.
- Jazyk se modelu předává jako „číslo mluvčího“. Jediný model tak čte ve 20 jazycích.
- Dlouhý text se generuje po větách, které se spojují s pauzou 0,25 sekundy.