Gyorsabban készül a hang,
mint ahogy elhangzik.
Az Ocelot egy kis modell, amelyet a Qwen3-TTS beszédszintézis-modellből desztilláltunk.
Az Ocelot kis szövegfelolvasó modell: írott szövegből beszédhangot készít. A gomb megnyomása után a felső szalag a generálás valódi idejével halad, az alsó pedig a hang sebességével.
—× gyorsabb
Mert kicsi,
bárhol fut.
Két kis hálózatból áll: az egyik a szövegből elkészíti a hang tervrajzát (a mel-spektrogramot), a másik ebből hanghullámot állít elő. Görgetésre a nézet távolodik, és láthatóvá válik a méretkülönbség a többi modellhez képest.
* A mobilon elért sebességet még mérjük. előzetes
20 nyelv:
hallgasson bele.
Minden nyelven ugyanazt a rövid, közepes és hosszú szöveget olvastattuk fel. A hullámformára kattintva indul a lejátszás. Három hang közül választhat (a hangok száma bővülni fog). Lejátszás közben vonal rajzolja a hullámformára a hangmagasság változását.
Kattintson egy hullámformára, és itt megjelenik a felolvasott szöveg.
* Mindegyik pontosan az a hang, amelyet az oldalon szereplő értékek mérésekor a CPU ténylegesen előállított (vágás nélkül). A szövegek tartalma kitalált.
Olvastassa fel
a saját szövegét.
Írjon be egy szöveget, válasszon nyelvet és hangot, majd nyomja meg a gombot. A hang azonnal elkészül, ennek a szervernek a CPU-ján. Legfeljebb 200 karakter.
* A nyelvet nem ismeri fel automatikusan: válassza azt a nyelvet, amelyen a szöveg íródott. A számokat, a rövidítéseket és az idegen tulajdonneveket néha hibásan olvassa fel.
Hosszú szövegnél is
ugyanolyan gyors.
Mind a 180 hangminta: a hang hossza (vízszintesen) és a generálás ideje (függőlegesen). Minden pont a beszédidő tizedét jelölő vonal alatt van.
Ha változik a CPU-szálak száma
A gép is
megérti, amit mond?
A generált hangot beszédfelismerővel (Whisper large-v3-turbo) visszaírattuk szöveggé, és összevetettük az eredetivel: ez a karakterhiba-arány. Minél kisebb, annál érthetőbb a felolvasás.
Így lesz a betűből
hang.
A négy lépést egy valódi mondaton mutatjuk be. Görgetés közben balról jobbra, sorban alakul át.
Szöveg
Fonetikus jelek
A hang tervrajza
Hanghullám
- A fonetikus átírást japán, angol és horvát nyelven saját szótár, a többi 17 nyelven az espeak-ng végzi.
- A nyelvet „beszélőazonosítóként” kapja meg a modell. Egyetlen modell olvas 20 nyelven.
- A hosszú szöveget mondatonként generáljuk, és 0.25 mp szünettel fűzzük össze.