Sesi üretme hızı
konuşma hızını geçiyor.
Ocelot, konuşma sentezi modeli Qwen3-TTS’ten damıtılarak üretilmiş küçük bir modeldir.
Ocelot, metni sese dönüştüren küçük bir seslendirme modelidir. Düğmeye bastığınızda üstteki şerit gerçekte geçen üretim süresiyle, alttaki şerit ise sesin kendi hızıyla ilerler.
—kat hızlı
Küçük olduğu için
her yerde çalışır.
Model iki küçük ağdan oluşur: biri metinden sesin taslağını (mel spektrogramı) çıkarır, diğeri bu taslağı ses dalgasına dönüştürür. Kaydırdıkça görüntü uzaklaşır ve diğer modellerle arasındaki boyut farkı ortaya çıkar.
* Akıllı telefondaki hız henüz ölçülüyor. geçici
20 dili
dinleyin.
Her dilde aynı içerikte kısa, orta ve uzun birer metin okuttuk. Dalga biçimine basınca ses çalar. Üç ses arasından seçim yapabilirsiniz (ses seçenekleri ileride artacak). Çalarken ses perdesinin hareketi bir çizgiyle üzerine çizilir.
Dalga biçimine bastığınızda okunan metin burada görünür.
* Hepsi, bu sayfadaki rakamlar ölçülürken CPU'da gerçekten üretilen seslerin kendisidir (düzenleme yok). Metinlerin içeriği kurgusaldır.
Kendi metninizi
okutun.
Bir metin yazın, dili ve sesi seçin, düğmeye basın. Ses, bu sunucunun CPU’sunda anında üretilir. En fazla 200 karakter.
* Dil otomatik olarak algılanmaz: metnin yazıldığı dili seçin. Sayılar, kısaltmalar ve yabancı özel adlar yanlış okunabilir.
Uzun metinde de
aynı hız.
180 kaydın tümü için sesin uzunluğu (yatay) ve üretim süresi (dikey). Bütün noktalar, konuşma süresinin onda biri çizgisinin altında kalıyor.
CPU iş parçacığı sayısı değişince
Makine dinlese de
anlaşılıyor mu?
Üretilen sesi konuşma tanıma (Whisper large-v3-turbo) ile yeniden yazıya çevirip özgün metinle karşılaştırdık; sonuç “karakter hata oranı”dır. Ne kadar küçükse okuma o kadar nettir.
Metin
sese dönüşene kadar.
Dört aşamayı gerçek bir cümle üzerinde gösteriyoruz. Kaydırdıkça biçim soldan sağa sırayla değişir.
Metin
Fonetik simgeler
Sesin taslağı
Ses dalgası
- Fonetik simgelere dönüştürme Japonca, İngilizce ve Hırvatçada özel sözlüklerle, diğer 17 dilde espeak-ng ile yapılır.
- Dil, modele “konuşmacı numarası” olarak verilir. Tek model 20 dili ayrı ayrı okur.
- Uzun metinler cümle cümle bölünerek üretilir ve aralarına 0,25 saniyelik duraklama konarak birleştirilir.