NVIDIA Magpie TTS: ओपन-वेट मल्टीलिंगुअल वॉयस जनरेशन और पूर्ण डिप्लॉयमेंट नियंत्रण
NVIDIA
NVIDIA ने Magpie TTS Multilingual जारी किया है, जो एक ओपन-वेट मॉडल है, जो 12 भाषाओं का समर्थन करता है, जिनमें मॉडर्न स्टैंडर्ड अरबी, कोरियाई और ब्राज़ीलियाई पुर्तगाली जैसी नई भाषाएँ शामिल हैं। यह मॉडल फ्रेम स्टैकिंग और लोकल ट्रांसफॉर्मर तकनीकों के माध्यम से कम लेटेंसी प्रदान करता है, और NVIDIA NIM और हगिंग फेस चेकपॉइंट्स के माध्यम से लचीला डिप्लॉयमेंट करने की सुविधा देता है।
NVIDIA ने Magpie TTS Multilingual पेश किया है, जो एक 364M-पैरामीटर वाला ओपन-वेट्स टेक्स्ट-टू-स्पीच मॉडल है जो 12 भाषाओं का समर्थन करता है, जिसमें आधुनिक मानक अरबी, कोरियाई और ब्राज़ीलियाई पुर्तगाली के नए जोड़ शामिल हैं। यह मॉडल कम-विलंबता वाले वॉयस एजेंटों के लिए डिज़ाइन किया गया है, जो B200 GPU पर 32ms का टाइम-टू-फर्स्ट-ऑडियो (TTFA) प्राप्त करता है और उच्च थ्रूपुट प्रदान करता है। आर्किटेक्चरल सुधारों में डिकोडर पुनरावृत्तियों को कम करने के लिए फ्रेम स्टैकिंग और ऑडियो गुणवत्ता बनाए रखने के लिए एक स्थानीय ट्रांसफार्मर शामिल है। रिलीज़ में बेहतर गुणवत्ता मेट्रिक्स पर प्रकाश डाला गया है, जैसे फ्रेंच और स्पैनिश के लिए कम कैरेक्टर एरर रेट (CER) और उच्च स्पीकर समानता (SSIM)। डेवलपर्स NVIDIA NIM या Hugging Face चेकपॉइंट्स का उपयोग करके अपने स्वयं के इंफ्रास्ट्रक्चर पर मॉडल को तैनात कर सकते हैं, NVIDIA NeMo के साथ अनुकूलित कर सकते हैं, और संपूर्ण वॉयस एजेंट बनाने के लिए Nemotron Voice Agent Developer Example के साथ एकीकृत कर सकते हैं।
स्रोत: Hugging Face blog —
मूल