NVIDIA Magpie TTS: Avoimen Painon Monikielinen Äänigenerointi Täydellä Käyttöönoton Hallinnalla
NVIDIA
NVIDIA julkaisee Magpie TTS Multilingual -mallin, jonka painot ovat avoimia ja joka tukee 12 kieltä, mukaan lukien uudet kielet kuten moderni standardiarabia, korea ja brasilianportugali. Malli tarjoaa matalan viiveen kehyspinonnuksen ja paikallisen transformeri -tekniikoiden ansiosta, ja käyttöönotto on joustavaa NVIDIA NIM:n ja Hugging Facen tarkistuspisteiden kautta.
NVIDIA esittelee Magpie TTS Multilingual -mallin, joka on 364 miljoonan parametrin avoimen painojen teksti-puheeksi -mallin, joka tukee 12 kieltä, mukaan lukien uudet lisäykset: moderni standardiarabia, korea ja brasilianportugali. Malli on suunniteltu matalan viiveen ääniagentteja varten, saavuttaen ensimmäisen äänen ajan (TTFA) 32 millisekuntia B200-suorittimilla ja tarjoten korkean suorituskyvyn. Arkkitehtonisiin parannuksiin kuuluvat kehyspinonta dekooderin iteraatioiden vähentämiseksi ja paikallinen transformeri äänenlaadun ylläpitämiseksi. Julkaisussa korostetaan parantuneita laatutunnuslukuja, kuten pienentyneitä merkki virheprosentteja (CER) ja korkeampaa puhujan samankaltaisuutta (SSIM) ranskan ja espanjan osalta. Kehittäjät voivat ottaa mallin käyttöön omassa infrastruktuurissaan käyttämällä NVIDIA NIM -palvelua tai Hugging Face -tarkistuspisteitä, räätälöidä sitä NVIDIA NeMo -työkalulla ja integroida sen Nemotron Voice Agent -kehittäjäesimerkkiin rakentaakseen täydellisiä ääniagentteja.
Lähde: Hugging Face blog —
Alkuperäinen