Głos powstaje szybciej,
niż trwa mówienie.
Ocelot to mały model powstały przez destylację modelu syntezy mowy Qwen3-TTS.
Ocelot to mały model syntezy mowy, który zamienia tekst w nagranie czytane na głos. Po naciśnięciu przycisku górna taśma przesuwa się w rzeczywistym czasie generowania, a dolna – w tempie samego nagrania.
—× szybciej
Jest mały,
więc działa wszędzie.
Ocelot to dwie małe sieci: pierwsza tworzy z tekstu projekt głosu (mel-spektrogram), druga zamienia go w falę dźwiękową. Gdy przewijasz stronę, widok się oddala i widać różnicę rozmiaru względem innych modeli.
* Szybkość na smartfonach jest w trakcie pomiarów. wstępnie
20 języków.
Po prostu posłuchaj.
W każdym języku model przeczytał tekst o tej samej treści: krótki, średni i długi. Kliknij falę, by ją odtworzyć. Do wyboru są 3 głosy (z czasem będzie ich więcej). Podczas odtwarzania na fali rysuje się linia pokazująca zmiany wysokości głosu.
Kliknij falę, a tutaj pojawi się czytany tekst.
* Wszystkie nagrania to dźwięk rzeczywiście wygenerowany na CPU podczas pomiarów do tej strony, bez żadnej edycji. Treść tekstów jest fikcyjna.
Niech przeczyta
Twój własny tekst.
Wpisz tekst, wybierz język i głos, a potem naciśnij przycisk. Nagranie powstaje od razu, na procesorze tego serwera. Do 200 znaków.
* Język nie jest wykrywany automatycznie: wybierz język, w którym napisano tekst. Liczby, skróty i obce nazwy własne mogą zostać przeczytane błędnie.
Długi tekst
w tym samym tempie.
Długość nagrania (w poziomie) i czas generowania (w pionie) dla wszystkich 180 próbek. Każdy punkt leży poniżej linii oznaczającej jedną dziesiątą czasu mówienia.
Gdy zmienia się liczba wątków CPU
Czy maszyna też
to zrozumie?
Wygenerowane nagrania zamieniliśmy z powrotem w tekst za pomocą rozpoznawania mowy (Whisper large-v3-turbo) i porównaliśmy z oryginałem. Wynik to „odsetek błędnych znaków”: im mniejszy, tym wyraźniej model czyta.
Jak tekst
staje się głosem.
Cztery etapy pokazujemy na jednym prawdziwym zdaniu. Gdy przewijasz stronę, kształty zmieniają się po kolei, od lewej.
Tekst
Zapis fonetyczny
Projekt głosu
Fala dźwiękowa
- Tekst na zapis fonetyczny zamieniają osobne słowniki dla japońskiego, angielskiego i chorwackiego, a dla pozostałych 17 języków – espeak-ng.
- Język podajemy modelowi jako „numer mówcy”. Jeden model czyta w 20 językach.
- Długi tekst generujemy zdanie po zdaniu i łączymy z przerwami 0,25 s.