Tốc độ tạo giọng
vượt cả tốc độ nói.
Ocelot là một mô hình nhỏ được chưng cất từ mô hình tổng hợp giọng nói Qwen3-TTS.
Ocelot là mô hình tổng hợp giọng nói nhỏ, chuyển văn bản thành giọng đọc. Khi bạn bấm nút, dải băng phía trên chạy theo thời gian tạo thực tế, còn dải băng phía dưới chạy đúng bằng tốc độ của âm thanh.
—lần
Vì nhỏ,
nên chạy ở đâu cũng được.
Ocelot gồm hai mạng nhỏ: một phần tạo bản thiết kế của giọng nói (mel-spectrogram) từ văn bản, và một phần biến bản thiết kế đó thành sóng âm. Khi bạn cuộn, khung hình lùi ra xa dần và bạn sẽ thấy khác biệt về kích thước so với các mô hình khác.
* Tốc độ trên điện thoại đang được đo. tạm
Nghe thử
20 ngôn ngữ.
Ở mọi ngôn ngữ, chúng tôi cho đọc ba đoạn văn cùng nội dung: ngắn, vừa và dài. Bấm vào dạng sóng để phát. Bạn chọn được một trong 3 giọng (số giọng sẽ tăng thêm). Trong khi phát, chuyển động cao độ của giọng được vẽ chồng lên bằng một đường nét.
Bấm vào dạng sóng, đoạn văn đang đọc sẽ hiện ở đây.
* Tất cả đều là nguyên âm thanh đã được tạo thật trên CPU khi đo các số liệu của trang này (không chỉnh sửa). Nội dung các đoạn văn là hư cấu.
Cho nó đọc
câu của chính bạn.
Nhập văn bản, chọn ngôn ngữ và giọng rồi bấm nút. Âm thanh được tạo ngay tại chỗ, trên CPU của máy chủ này. Tối đa 200 ký tự.
* Ngôn ngữ không được nhận diện tự động: hãy chọn đúng ngôn ngữ của văn bản. Con số, chữ viết tắt và tên riêng nước ngoài có thể bị đọc sai.
Văn bản dài
vẫn nhanh như thế.
Độ dài âm thanh (trục ngang) và thời gian tạo (trục dọc) của toàn bộ 180 mẫu. Điểm nào cũng nằm dưới đường 1/10 thời gian nói.
Khi thay đổi số luồng CPU
Cho máy nghe,
máy có hiểu không?
Chúng tôi dùng nhận dạng giọng nói (Whisper large-v3-turbo) chuyển âm thanh đã tạo ngược lại thành chữ rồi so với văn bản gốc; đây là “tỷ lệ lỗi ký tự”. Con số càng nhỏ, giọng đọc càng rõ.
Từ con chữ
đến giọng nói.
Bốn công đoạn, minh họa bằng một câu thật. Khi bạn cuộn trang, hình dạng thay đổi lần lượt từ trái sang.
Văn bản
Ký hiệu phát âm
Bản thiết kế giọng nói
Sóng âm
- Việc chuyển sang ký hiệu phát âm dùng từ điển riêng cho tiếng Nhật, tiếng Anh và tiếng Croatia, còn 17 ngôn ngữ khác dùng espeak-ng.
- Ngôn ngữ được đưa vào mô hình dưới dạng “số hiệu người nói”. Một mô hình đọc được cả 20 ngôn ngữ.
- Văn bản dài được tách theo từng câu để tạo, rồi ghép lại với khoảng nghỉ 0.25 giây ở giữa.