声をつくる速さが、
話す速さを追い越す。
Ocelot は、音声合成モデル Qwen3-TTS を蒸留してつくった、小さなモデルです。
Ocelot は、文字を読み上げ音声にする小さな音声合成モデルです。ボタンを押すと、上のテープが実際にかかった生成時間で進み、下のテープは音声と同じ速さで進みます。
—倍速
生成（CPU）0.0秒
再生0.0秒
小さいから、
どこでも動く。
文字から声の設計図（メルスペクトログラム）をつくる部分と、それを音の波にする部分の、2つの小さなネットワークでできています。スクロールすると引いていき、ほかのモデルとの大きさの違いが見えてきます。
パラメータ（2つの合計）—
ファイル—
対応言語20言語（1つのモデルで）
※ スマートフォンでの速さは計測中です。 仮
20の言語を、
聞いてみる。
どの言語も同じ内容の、短い・中くらい・長い文章を読ませました。波形を押すと再生します。声は3種類から選べます（声の種類は今後増えます）。再生中は、声の高さの動きを線で重ねて描きます。
声：
波形を押すと、ここに読んでいる文章が出ます。
※ すべて、このページの数値を測ったときに、CPU で実際に生成した音声そのままです（編集なし）。文章の内容は架空です。
自分の文章を、
読ませてみる。
文章を入れて、言語と声を選び、ボタンを押してください。このサーバーの CPU で、その場で音声をつくります。200文字まで入れられます。
声：
※ 言語は自動では判定しません。文章と同じ言語を選んでください。数字や略語、外国の固有名詞は読み間違えることがあります。
長い文章でも、
同じ速さで。
180本すべての、音声の長さ（横）と、生成にかかった時間（縦）です。どの点も、話す時間の10分の1の線より下にあります。
CPU のスレッド数を変えると
機械に聞かせても、
伝わるか。
生成した音声を音声認識（Whisper large-v3-turbo）で文字に戻し、元の文章と比べた「文字の誤り率」です。小さいほど、はっきり読めています。
文字が、
声になるまで。
4つの段階を、実際の1文で見せます。スクロールに合わせて、左から順に形が変わっていきます。
1
文章
2
発音記号
3
声の設計図
4
音の波
- 発音記号への変換は、日本語・英語・クロアチア語は専用の辞書、ほかの17言語は espeak-ng で行います。
- 言語は「話者番号」としてモデルに渡します。1つのモデルで20言語を読み分けます。
- 長い文章は文ごとに区切って生成し、0.25秒の間をはさんでつなぎます。