Glas nastaje brže
nego što se govori.
Ocelot je mali model nastao destilacijom modela za sintezu govora Qwen3-TTS.
Ocelot je mali model za sintezu govora koji tekst pretvara u glas. Kad pritisnete gumb, gornja se vrpca kreće onoliko dugo koliko je generiranje stvarno trajalo, a donja brzinom samog zvuka.
—× brže
Malen je,
pa radi bilo gdje.
Sastoji se od dviju malih mreža: jedna iz teksta izrađuje nacrt glasa (mel-spektrogram), a druga ga pretvara u zvučni val. Kako se pomičete, prikaz se udaljava i vidi se razlika u veličini prema drugim modelima.
* Brzinu na mobitelu još mjerimo. privremeno
Poslušajte
20 jezika.
Na svakom jeziku pročitani su kratak, srednji i dug tekst istog sadržaja. Pritiskom na valni oblik pokrećete zvuk. Možete birati između triju glasova (bit će ih još). Tijekom reprodukcije preko vala se crta kretanje visine glasa.
Kad pritisnete valni oblik, ovdje se prikazuje tekst koji se čita.
* Sve su to snimke stvarno generirane na CPU-u pri mjerenju brojki s ove stranice, bez ikakve obrade. Sadržaj tekstova je izmišljen.
Neka pročita
vaš tekst.
Upišite tekst, odaberite jezik i glas pa pritisnite gumb. Zvuk nastaje odmah, na procesoru ovog poslužitelja. Najviše 200 znakova.
* Jezik se ne prepoznaje automatski: odaberite jezik na kojem je tekst napisan. Brojevi, kratice i strana vlastita imena mogu se pogrešno pročitati.
I dug tekst
istom brzinom.
Za svih 180 snimki: trajanje zvuka (vodoravno) i vrijeme generiranja (okomito). Sve su točke ispod crte koja označava desetinu vremena govora.
S različitim brojem CPU dretvi
Razumije li ga
i stroj?
Generirani zvuk prepoznavanjem govora (Whisper large-v3-turbo) vraćamo u tekst i uspoređujemo s izvornim: to je „stopa pogrešnih znakova“. Što je manja, to je izgovor jasniji.
Kako tekst
postaje glas.
Četiri koraka prikazujemo na jednoj stvarnoj rečenici. Kako se pomičete, oblik se mijenja redom slijeva nadesno.
Tekst
Fonetski zapis
Nacrt glasa
Zvučni val
- Za pretvorbu u fonetski zapis japanski, engleski i hrvatski imaju vlastite rječnike, a ostalih 17 jezika koristi espeak-ng.
- Jezik se modelu predaje kao „broj govornika“. Jedan model čita svih 20 jezika.
- Dug tekst generira se rečenicu po rečenicu, a rečenice se spajaju sa stankom od 0,25 sekundi.