Gerar a voz fica
mais rápido que falar.
O Ocelot é um modelo pequeno destilado do modelo de síntese de voz Qwen3-TTS.
O Ocelot é um modelo pequeno de síntese de voz, que transforma texto em fala. Ao apertar o botão, a fita de cima avança no tempo real da geração, e a de baixo, no mesmo ritmo do áudio.
—x mais rápido
Por ser pequeno,
roda em qualquer lugar.
São duas redes pequenas: uma cria, a partir do texto, a planta da voz (o espectrograma mel); a outra transforma essa planta em onda sonora. Ao rolar, a imagem se afasta e mostra a diferença de tamanho em relação a outros modelos.
* A velocidade em celulares está sendo medida. provisório
Ouça
os 20 idiomas.
Em cada idioma, o modelo leu um texto curto, um médio e um longo, com o mesmo conteúdo. Clique em uma onda para ouvir. Há três vozes para escolher (e virão mais). Durante a reprodução, uma linha mostra o movimento da altura da voz.
Clique em uma onda e o texto lido aparece aqui.
* Tudo é exatamente o áudio gerado em CPU quando medimos os números desta página (sem edição). O conteúdo dos textos é fictício.
Faça-o ler
o seu próprio texto.
Digite um texto, escolha o idioma e a voz e aperte o botão. O áudio é gerado na hora, na CPU deste servidor. Até 200 caracteres.
* O idioma não é detectado automaticamente: escolha o idioma em que o texto está escrito. Números, abreviações e nomes próprios estrangeiros podem ser lidos errado.
Texto longo,
mesma velocidade.
A duração do áudio (horizontal) e o tempo de geração (vertical) das 180 amostras. Todos os pontos ficam abaixo da linha de 1/10 do tempo de fala.
Variando o número de threads da CPU
E uma máquina ouvindo,
também entende?
É a “taxa de erro de caracteres”: o áudio gerado volta a ser texto por reconhecimento de fala (Whisper large-v3-turbo) e é comparado com o texto original. Quanto menor, mais clara a leitura.
Do texto
à voz.
Mostramos as quatro etapas com uma frase real. Conforme você rola, a forma muda da esquerda para a direita.
Texto
Símbolos fonéticos
Planta da voz
Onda sonora
- A conversão em símbolos fonéticos usa dicionários próprios para japonês, inglês e croata, e o espeak-ng para os outros 17 idiomas.
- O idioma é passado ao modelo como um “número de falante”. Um só modelo lê os 20 idiomas.
- Textos longos são gerados frase a frase e unidos com pausas de 0,25 segundo.