Платформа tiny-voca.n4ze3m.com демонстрирует новую парадигму локального синтеза речи. В отличие от тяжелых облачных решений, TinyVoca — это модель текстового синтеза (TTS), которая запускается полностью на стороне клиента, в интерфейсе браузера. Это решает проблемы задержки сети и конфиденциальности данных, так как аудио генерируется на устройстве пользователя.
Технические характеристики и эффективность
Ядро системы — компактная нейросеть с объемом всего 4,537,291 параметра. Несмотря на миниатюрный размер, модель включает в себя как генератор фонем, так и воковой генератор (waveform generator). Файл модели весит всего 21 МБ (формат ONNX, float32), что позволяет быстро загружать его даже при медленном соединении. Выходной сигнал представляет собой моноаудио частотой 24 кГц.
Качество и обучение
Модель обучена на 17,6 часах синтетического речевого материала. Она поддерживает два голоса: женский (F2) и мужской (M2), оба адаптированы под американский вариант английского языка. Система способна обрабатывать сложные лингвистические конструкции, включая омографы (слова с одинаковым написанием, но разным произношением), что подтверждается демонстрационными примерами на сайте.
Сравнительные параметры
| Параметр | Значение |
|---|---|
| Количество параметров | 4,537,291 |
| Размер модели | 21 MB (ONNX, float32) |
| Частота дискретизации | 24 kHz (mono) |
| Язык и акцент | Английский (США) |
| Доступные голоса | F2 (женский), M2 (мужской) |
| Объем обучающей выборки | 17.6 часов |
| Лицензия | Apache-2.0 |
Открытый код и доступность
Проект распространяется под лицензией Apache-2.0, что делает его код и веса открытыми для разработчиков. Это позволяет интегрировать легковесный синтез речи в веб-приложения, мобильные приложения и edge-устройства без необходимости подключения к внешним API. Пользователи могут тестировать модель в реальном времени, выбирая скорость генерации (по умолчанию 1.00) и прослушивая результат мгновенно после загрузки.
Источник: N4ze3m ↗
