आवाज़ बनाने की रफ़्तार,
बोलने की रफ़्तार से आगे।
Ocelot एक छोटा मॉडल है, जिसे वाक्-संश्लेषण मॉडल Qwen3-TTS से डिस्टिल करके बनाया गया है।
Ocelot एक छोटा टेक्स्ट-टू-स्पीच मॉडल है, जो लिखे हुए को आवाज़ में बदलता है। बटन दबाने पर ऊपर की पट्टी आवाज़ बनाने में लगे असली समय के हिसाब से चलती है और नीचे की पट्टी आवाज़ की अपनी रफ़्तार से।
—गुना तेज़
छोटा है,
इसलिए कहीं भी चलता है।
यह दो छोटे नेटवर्क से बना है: एक टेक्स्ट से आवाज़ का ख़ाका (मेल स्पेक्ट्रोग्राम) बनाता है, दूसरा उसे ध्वनि-तरंग में बदलता है। स्क्रॉल करने पर दृश्य दूर होता जाता है और दूसरे मॉडलों से आकार का फ़र्क़ दिखने लगता है।
※ स्मार्टफ़ोन पर रफ़्तार अभी मापी जा रही है। अस्थायी
20 भाषाएँ,
सुनकर देखिए।
हर भाषा में एक ही विषय का छोटा, मध्यम और लंबा पाठ पढ़वाया गया है। तरंग पर दबाने से वह बजती है। आवाज़ 3 में से चुन सकते हैं (आगे और आवाज़ें जुड़ेंगी)। बजते समय आवाज़ के सुर का उतार-चढ़ाव एक रेखा से ऊपर खिंचता जाता है।
तरंग पर दबाइए, पढ़ा जा रहा पाठ यहाँ दिखेगा।
※ ये सब वही आवाज़ें हैं जो इस पेज के आँकड़े मापते समय CPU पर असल में बनीं, जस की तस (बिना संपादन)। पाठ की सामग्री काल्पनिक है।
अपना लिखा पाठ
पढ़वाकर देखिए।
पाठ लिखिए, भाषा और आवाज़ चुनिए और बटन दबाइए। आवाज़ इसी सर्वर के CPU पर तुरंत बनती है। अधिकतम 200 अक्षर।
* भाषा अपने-आप नहीं पहचानी जाती: वही भाषा चुनिए जिसमें पाठ लिखा है। संख्याएँ, संक्षिप्त रूप और विदेशी नाम कभी-कभी गलत पढ़े जा सकते हैं।
लंबा पाठ भी
उसी रफ़्तार से।
सभी 180 क्लिप की आवाज़ की लंबाई (आड़ी धुरी) और बनाने में लगा समय (खड़ी धुरी)। हर बिंदु बोलने के समय के दसवें हिस्से वाली रेखा के नीचे है।
CPU के थ्रेड बदलने पर
मशीन को सुनाएँ,
तब भी समझ आए?
बनी हुई आवाज़ को स्पीच रिकग्निशन (Whisper large-v3-turbo) से वापस टेक्स्ट में बदलकर मूल पाठ से मिलाया गया: यह “अक्षर त्रुटि दर” है। जितनी कम, पढ़ाई उतनी साफ़।
अक्षर से
आवाज़ तक।
चार चरण, एक असली वाक्य पर। स्क्रॉल के साथ-साथ रूप बाएँ से क्रम में बदलता जाता है।
पाठ
ध्वनि-चिह्न
आवाज़ का ख़ाका
ध्वनि-तरंग
- ध्वनि-चिह्नों में बदलने के लिए जापानी, अंग्रेज़ी और क्रोएशियाई में ख़ास शब्दकोश इस्तेमाल होते हैं, बाक़ी 17 भाषाओं में espeak-ng।
- भाषा मॉडल को “स्पीकर नंबर” के रूप में दी जाती है। एक ही मॉडल 20 भाषाएँ अलग-अलग पढ़ लेता है।
- लंबा पाठ वाक्य-दर-वाक्य बाँटकर बनाया जाता है और बीच में 0.25 सेकंड का ठहराव रखकर जोड़ा जाता है।