Genera la voz más rápido
de lo que se habla.
Ocelot es un modelo pequeño destilado del modelo de síntesis de voz Qwen3-TTS.
Ocelot es un modelo pequeño de síntesis de voz: convierte texto en lectura en voz alta. Al pulsar el botón, la cinta de arriba avanza con el tiempo que tardó de verdad la generación, y la de abajo, a la velocidad del audio.
—veces más rápido
Tan pequeño
que funciona en cualquier parte.
Está formado por dos redes pequeñas: una crea a partir del texto el plano de la voz (un espectrograma mel) y la otra lo convierte en una onda de sonido. Al desplazarse, la vista se aleja y se aprecia la diferencia de tamaño con otros modelos.
* La velocidad en teléfonos se está midiendo. provisional
20 idiomas:
escúchelos.
En todos los idiomas le hicimos leer textos con el mismo contenido: uno corto, uno mediano y uno largo. Pulse una onda para reproducirla. Puede elegir entre 3 voces (habrá más en el futuro). Durante la reproducción se dibuja encima una línea con el movimiento del tono de la voz.
Al pulsar una onda, aquí aparece el texto que se lee.
* Todo es, tal cual, el audio que se generó de verdad con CPU al medir las cifras de esta página (sin edición). El contenido de los textos es ficticio.
Haga que lea
su propio texto.
Escriba un texto, elija el idioma y la voz, y pulse el botón. El audio se genera al momento, en la CPU de este servidor. Hasta 200 caracteres.
* El idioma no se detecta automáticamente: elija el idioma en que está escrito el texto. Los números, las abreviaturas y los nombres propios extranjeros pueden leerse mal.
Textos largos,
la misma velocidad.
Las 180 muestras: duración del audio (horizontal) y tiempo de generación (vertical). Todos los puntos quedan por debajo de la línea de una décima parte del tiempo de habla.
Al cambiar el número de hilos de la CPU
¿Lo entiende
también una máquina?
Es la «tasa de error de caracteres»: pasamos el audio generado otra vez a texto con reconocimiento de voz (Whisper large-v3-turbo) y lo comparamos con el texto original. Cuanto más baja, más clara es la lectura.
Del texto
a la voz.
Mostramos las cuatro etapas con una frase real. Al desplazarse, la forma va cambiando de izquierda a derecha.
Texto
Fonemas
Plano de la voz
Onda de sonido
- La conversión a fonemas se hace con diccionarios propios en japonés, inglés y croata, y con espeak-ng en los otros 17 idiomas.
- El idioma se pasa al modelo como un «número de hablante». Un solo modelo lee los 20 idiomas.
- Los textos largos se generan frase a frase y se unen con una pausa de 0.25 segundos.