Stimme entsteht schneller,
als man spricht.
Ocelot ist ein kleines Modell, das aus dem Sprachsynthesemodell Qwen3-TTS destilliert wurde.
Ocelot ist ein kleines Sprachsynthese-Modell, das Text in gesprochene Sprache verwandelt. Auf Knopfdruck läuft das obere Band in der tatsächlich benötigten Erzeugungszeit, das untere im Tempo der Aufnahme.
—× Echtzeit
So klein,
dass es überall läuft.
Ocelot besteht aus zwei kleinen Netzen: Eines erzeugt aus Text den Bauplan der Stimme (das Mel-Spektrogramm), das andere macht daraus die Schallwelle. Beim Scrollen zoomt die Ansicht heraus und zeigt den Größenunterschied zu anderen Modellen.
* Das Tempo auf Smartphones wird noch gemessen. vorläufig
20 Sprachen
zum Anhören.
In jeder Sprache hat Ocelot einen kurzen, einen mittleren und einen langen Text gleichen Inhalts gelesen. Ein Klick auf die Wellenform spielt die Aufnahme ab. Sie können zwischen drei Stimmen wählen (weitere folgen). Während der Wiedergabe zeichnet eine Linie den Verlauf der Tonhöhe nach.
Klicken Sie auf eine Wellenform – hier erscheint der gelesene Text.
* Alles sind unveränderte Aufnahmen, die bei der Messung der Zahlen auf dieser Seite tatsächlich auf der CPU erzeugt wurden (ungeschnitten). Die Texte sind frei erfunden.
Lassen Sie es
Ihren eigenen Text lesen.
Geben Sie einen Text ein, wählen Sie Sprache und Stimme und drücken Sie die Taste. Der Ton wird sofort auf der CPU dieses Servers erzeugt. Bis zu 200 Zeichen.
* Die Sprache wird nicht automatisch erkannt: Wählen Sie die Sprache, in der der Text geschrieben ist. Zahlen, Abkürzungen und fremde Eigennamen werden manchmal falsch gelesen.
Auch lange Texte
im gleichen Tempo.
Alle 180 Aufnahmen: waagerecht die Länge der Aufnahme, senkrecht die Erzeugungszeit. Jeder Punkt liegt unter der Linie für ein Zehntel der Sprechzeit.
Mit anderer Zahl von CPU-Threads
Versteht es
auch eine Maschine?
Wir haben die erzeugten Aufnahmen per Spracherkennung (Whisper large-v3-turbo) wieder in Text verwandelt und mit dem Ausgangstext verglichen: die „Zeichenfehlerrate“. Je kleiner sie ist, desto deutlicher ist die Aussprache.
Wie aus Text
eine Stimme wird.
Vier Stufen, gezeigt an einem echten Satz. Beim Scrollen verändert sich die Form Schritt für Schritt von links nach rechts.
Text
Lautschrift
Bauplan der Stimme
Schallwelle
- Die Umwandlung in Lautschrift übernehmen für Japanisch, Englisch und Kroatisch eigene Wörterbücher, für die übrigen 17 Sprachen espeak-ng.
- Die Sprache wird dem Modell als „Sprechernummer“ übergeben. Ein einziges Modell liest alle 20 Sprachen.
- Lange Texte werden Satz für Satz erzeugt und mit 0,25 Sekunden Pause aneinandergefügt.