Голос создаётся быстрее,
чем звучит.
Ocelot — небольшая модель, полученная дистилляцией модели синтеза речи Qwen3-TTS.
Ocelot — небольшая модель синтеза речи: превращает текст в голос. Нажмите кнопку: верхняя лента идёт с настоящей скоростью синтеза, нижняя — со скоростью самой речи.
—× быстрее речи
Маленькая —
работает где угодно.
Модель состоит из двух небольших сетей: одна строит по тексту «чертёж» голоса (мел-спектрограмму), другая превращает его в звуковую волну. При прокрутке масштаб уменьшается, и становится видно, насколько она меньше других моделей.
* Скорость на смартфоне ещё измеряем. предв.
20 языков —
послушайте.
На каждом языке модель прочитала одинаковые по смыслу тексты: короткий, средний и длинный. Нажмите на волну, чтобы послушать. Голос можно выбрать из трёх (позже их станет больше). Во время звучания поверх волны рисуется линия высоты голоса.
Нажмите на волну — здесь появится текст, который читает модель.
* Всё это — записи, которые модель действительно создала на CPU во время замеров для этой страницы (без обработки). Содержание текстов вымышлено.
Пусть прочитает
ваш текст.
Введите текст, выберите язык и голос и нажмите кнопку. Звук создаётся сразу, на процессоре этого сервера. До 200 символов.
* Язык не определяется автоматически: выберите язык, на котором написан текст. Числа, сокращения и иностранные имена собственные могут читаться неправильно.
Длинный текст —
та же скорость.
Все 180 записей: длина звука (по горизонтали) и время синтеза (по вертикали). Каждая точка лежит ниже линии «одна десятая времени речи».
Если менять число потоков CPU
А машина
разберёт?
Мы превратили созданную речь обратно в текст с помощью распознавания речи (Whisper large-v3-turbo) и сравнили с исходным текстом. Это доля ошибок в символах: чем она меньше, тем разборчивее речь.
Как текст
становится голосом.
Показываем четыре этапа на настоящей фразе. По мере прокрутки она меняет форму — слева направо.
Текст
Транскрипция
«Чертёж» голоса
Звуковая волна
- В транскрипцию текст переводят собственные словари (японский, английский, хорватский) и espeak-ng (остальные 17 языков).
- Язык передаётся модели как «номер диктора». Одна модель читает на 20 языках.
- Длинный текст синтезируется по предложениям; между ними вставляется пауза 0,25 секунды.