Rösten skapas fortare
än den hinner talas.
Ocelot är en liten modell som har destillerats från talsyntesmodellen Qwen3-TTS.
Ocelot är en liten talsyntesmodell som gör om text till uppläst tal. Tryck på knappen: det övre bandet löper i den tid genereringen faktiskt tog, det nedre i samma takt som ljudet.
—× snabbare än talet
Så liten att den
körs överallt.
Ocelot består av två små nätverk: ett som gör om text till en ritning för rösten (ett melspektrogram) och ett som gör om ritningen till ljudvågor. När du scrollar zoomar bilden ut och visar storleksskillnaden mot andra modeller.
* Farten i mobilen håller vi på att mäta. preliminärt
Lyssna
på 20 språk.
Vi lät modellen läsa en kort, en medellång och en lång text med samma innehåll på alla språk. Tryck på en vågform för att spela upp. Välj mellan tre röster (fler kommer). Under uppspelningen ritas tonhöjdens rörelse som en linje ovanpå.
Tryck på en vågform, så visas texten som läses här.
* Allt är ljud som faktiskt genererades på CPU när siffrorna på den här sidan mättes, helt oredigerat. Texternas innehåll är påhittat.
Låt den läsa
din egen text.
Skriv en text, välj språk och röst och tryck på knappen. Ljudet skapas direkt, på den här serverns CPU. Upp till 200 tecken.
* Språket känns inte av automatiskt: välj det språk som texten är skriven på. Siffror, förkortningar och utländska egennamn kan läsas fel.
Samma fart
även för långa texter.
Alla 180 klipp: ljudets längd (vågrätt) och tiden det tog att generera (lodrätt). Varje punkt ligger under linjen för en tiondel av taltiden.
Med olika antal CPU-trådar
Går det fram
även till en maskin?
Vi lät taligenkänning (Whisper large-v3-turbo) skriva ut det genererade ljudet och jämförde med originaltexten. Resultatet är teckenfelsfrekvensen: ju lägre, desto tydligare uppläsning.
Från text
till röst.
Vi visar de fyra stegen med en riktig mening. När du scrollar ändras formen steg för steg, från vänster.
Text
Fonetisk skrift
Röstens ritning
Ljudvåg
- Omvandlingen till fonetisk skrift görs med egna lexikon för japanska, engelska och kroatiska och med espeak-ng för de 17 övriga språken.
- Språket skickas till modellen som ett ”talarnummer”. En enda modell läser alla 20 språk.
- Långa texter delas upp mening för mening, genereras var för sig och fogas ihop med 0,25 sekunders paus.