Новая модель текст в речь MARS5: отличная интонация и открытый исходный код

 Camb AI Releases MARS5 TTS: A Novel Open Source Text to Speech Model for Insane Prosody

MARS5 TTS: инновационная модель для синтеза речи

Команда Camb AI представила MARS5 TTS, инновационную модель для синтеза речи с открытым исходным кодом, которая предлагает уникальное управление просодией и возможности клонирования голоса, требуя менее 5 секунд аудиовхода. Модель имеет двухступенчатую архитектуру состоящую из 750M авторегрессионной (AR) модели и 450M неавторегрессионной (NAR) модели. MARS5 использует BPE токенизатор, позволяющий точно управлять знаками препинания, паузами и остановками, тем самым продвигая область синтеза речи.

Уникальная архитектура и возможности модели

Архитектура модели MARS5 включает уникальную двухступенчатую AR-NAR конвейер. На первом этапе авторегрессионная трансформаторная модель генерирует грубые (L0) закодированные признаки речи из входного текста и аудиозаписи. Затем эти признаки вместе с текстом и аудио уточняются с использованием мультиномиальной модели вероятностной диффузии (DDPM), чтобы произвести оставшиеся закодированные значения кодовой книги. Наконец, вокодер преобразует выход DDPM в конечное аудио.

Компонент AR MARS5 предсказывает грубые токены L0, которые затем дополнительно уточняются моделью NAR DDPM. Полученный уточненный выход обрабатывается вокодером для генерации конечного аудио. Обучение модели на сыром аудио в сочетании с текстом, закодированным парами байт, позволяет тонко управлять просодией через знаки препинания и капитализацию. Например, добавление запятых вводит паузы, а слова с заглавной буквы подчеркиваются, обеспечивая естественный метод направлять просодию сгенерированного вывода.

Преимущества по сравнению с другими моделями

По сравнению с другими ведущими языковыми моделями, такими как GPT и Gemini, MARS5 выделяется своим специализированным фокусом на синтез речи и уникальной AR-NAR архитектурой. В отличие от GPT и Gemini, которые в основном предназначены для генерации и понимания текста, MARS5 оптимизирована для создания высококачественного управляемого речевого вывода. Использование DDPM на этапе NAR и введение просодического контроля через форматирование текста выделяет ее в области синтеза речи.

Практическое применение и аспекты использования

MARS5 показывает впечатляющие результаты в клонировании голоса и управлении просодией. Система поддерживает два режима вывода: быстрое “поверхностное клонирование”, не требующее транскрипции исходного аудио, а также более медленное, но высококачественное “глубокое клонирование”, которое использует транскрипцию образца. За считанные 5 секунд аудио и отрывок текста MARS5 может создавать речь для различных и сложных сценариев, включая спортивные комментарии и озвучивание аниме, демонстрируя свою универсальность и эффективность.

Для использования MARS5 предоставляется референтный аудиофайл длиной от 2 до 12 секунд, причем 6-секундные образцы дают оптимальные результаты. Система принимает текстовый ввод с знаками препинания и капитализацией для управления просодией. Пользователи могут выполнять “глубокое клонирование” для улучшения качества, предоставив транскрипцию референтного аудио. Возможность обработки сложных просодических сценариев делает модель подходящей для различных применений в сфере развлечений, образования и доступности.

MARS5 TTS представляет собой значительный прорыв в технологии синтеза речи с открытым исходным кодом. Ее инновационная архитектура, сочетающая в себе AR и NAR модели с DDPM, обеспечивает беспрецедентный контроль над синтезом речи. Возможность клонирования голосов с минимальным вводом и создание высококачественной речи с богатой просодикой позиционирует ее как ценный инструмент для разработчиков и исследователей в области искусственного интеллекта и речевых технологий.

Посетите GitHub, чтобы ознакомиться с моделью. Весь кредит за это исследование принадлежит исследователям этого проекта. Не забудьте подписаться на нас в Twitter.

Присоединяйтесь к нашему каналу Telegram и группе в LinkedIn.

Если вам нравится наша работа, вам понравится наш невестный длясчик подписк канала.

Не забудьте присоединиться к нашему 45k+ ML SubReddit

Статья опубликована на портале MarkTechPost

Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект

Новости

  • Эффективное управление контекстом для больших языковых моделей

    Модель Контекстного Протокола: Улучшение Взаимодействия с ИИ Введение Эффективное управление контекстом является ключевым при использовании больших языковых моделей (LLMs). Этот документ предлагает практическую реализацию Модели Контекстного Протокола (MCP), сосредоточенную на семантическом делении, динамическом…

  • Запуск DeepWiki: ИИ-инструмент для понимания репозиториев GitHub

    Введение в DeepWiki Devin AI представил DeepWiki — бесплатный инструмент, который генерирует структурированную документацию для репозиториев GitHub. Этот инновационный инструмент упрощает понимание сложных кодовых баз, что облегчает жизнь разработчикам, работающим с незнакомыми проектами.…

  • Эффективные модели Tina для улучшения обучения с подкреплением

    Введение Современные бизнесы сталкиваются с вызовами в области многослойного рассуждения, особенно в научных исследованиях и стратегическом планировании. Традиционные методы, такие как узконаправленное обучение, требуют значительных затрат и могут приводить к поверхностному обучению. Однако…

  • FlowReasoner: Персонализированный Мета-Агент для Многоагентных Систем

    Введение в FlowReasoner Недавние достижения в области искусственного интеллекта привели к разработке FlowReasoner, мета-агента, который автоматизирует создание персонализированных многопользовательских систем, адаптированных к запросам пользователей. Это значительно повышает эффективность и масштабируемость. Проблемы в текущих…

  • Руководство Microsoft по режимам отказа в агентных системах ИИ

    Введение Понимание и управление рисками в системах агентного ИИ могут значительно улучшить бизнес-процессы и повысить доверие клиентов. Ниже представлены практические решения, которые помогут в этом. Практические бизнес-решения Создание надежных систем агентного ИИ требует…

  • Автономные пайплайны анализа данных с PraisonAI

    Создание полностью автономных потоков анализа данных с PraisonAI Введение В этом руководстве описывается, как бизнес может улучшить процессы анализа данных, перейдя от ручного кодирования к полностью автономным потокам данных, управляемым ИИ. Используя платформу…

  • QuaDMix: Инновационная Оптимизация Качества и Разнообразия Данных в AI

    Практические бизнес-решения с использованием QuaDMix Имплементация QuaDMix может существенно улучшить AI-приложения благодаря следующим ключевым аспектам: 1. Упрощение кураторства данных Используйте QuaDMix для поддержания высокого качества данных без жертвы разнообразием, что приведет к более…

  • Оптимизация методов масштабирования для повышения эффективности reasoning в языковых моделях

    “`html Оптимизация Производительности Размышлений в Языковых Моделях: Практические Бизнес-Решения Понимание Методов Масштабирования во Время Вывода Языковые модели могут выполнять множество задач, но часто сталкиваются с трудностями при сложном размышлении. Методы масштабирования вычислений во…

  • Интеграция API Gemini с агентами LangGraph для оптимизации рабочих процессов ИИ

    Улучшение рабочих процессов с помощью интеграции Arcade и Gemini API Этот документ описывает, как преобразовать статические разговорные интерфейсы в динамичных, действующих ИИ-ассистентов с использованием Arcade и Gemini Developer API. Используя набор готовых инструментов,…

  • СоциоВерс: Революционная Модель Социальной Симуляции на Основе LLM

    Использование ИИ для Социальной Симуляции: Инициатива SocioVerse Введение в SocioVerse Исследователи из Университета Фудань разработали SocioVerse, инновационную модель мира, использующую агентов на основе больших языковых моделей (LLM) для симуляции социальных динамик. Эта модель…

  • Токен-Шаффл: Революция в генерации высококачественных изображений с помощью трансформеров

    Введение в Token-Shuffle Meta AI представила инновационный метод, известный как Token-Shuffle, который повышает эффективность генерации изображений в авторегрессионных (AR) моделях. Этот подход решает вычислительные задачи, связанные с созданием изображений высокого разрешения, что может…

  • Революция в A/B тестировании с помощью ИИ: AgentA/B

    Трансформация A/B тестирования с помощью ИИ: AgentA/B Введение В цифровом мире создание эффективных веб-интерфейсов критически важно для вовлечения пользователей, особенно в сфере электронной торговли и контентного стриминга. A/B тестирование — это широко используемый…

  • Skywork R1V2: Инновации в Мультимодальном Ресонновании

    Практические бизнес-решения с использованием Skywork AI R1V2 Skywork AI R1V2 предлагает инновационные решения для бизнеса, которые могут значительно улучшить эффективность и качество работы. Вот как это может повлиять на бизнес и реальную жизнь:…

  • Переход от демонстраций GenAI к надежным производственным системам: важность структурированных рабочих процессов

    Введение Генеративный ИИ (GenAI) демонстрирует впечатляющие возможности, но переход от демонстраций к производственным системам требует структурированных рабочих процессов. Это важно для достижения реальной отдачи от инвестиций (ROI). Проблемы развертывания в производственной среде Многие…

  • Пять уровней архитектур агентного ИИ: практическое руководство для бизнеса

    Понимание пяти уровней архитектуры агентного ИИ Этот учебник представляет структурированное исследование пяти уровней архитектуры агентного ИИ. Эти уровни варьируются от базовых функций генерации текста до продвинутых систем, способных к полностью автономной генерации и…

  • MMInference: Ускорение Моделей Визуального Языка с Динамическим Редким Вниманием

    Улучшение моделей Vision-Language с помощью MMInference Введение в MMInference Microsoft Research разработала метод MMInference, который значительно повышает эффективность моделей Vision-Language (VLM) с длинным контекстом. Интеграция визуального понимания с возможностями длинного контекста помогает решать…

  • Запуск моделей OpenMath-Nemotron от NVIDIA: Прорыв в математическом мышлении AI

    Введение NVIDIA недавно представила два продвинутых AI-модели, OpenMath-Nemotron-32B и OpenMath-Nemotron-14B-Kaggle, которые превосходят в математическом рассуждении. Эти модели могут значительно улучшить бизнес-процессы и повседневную жизнь. Преимущества для бизнеса Использование моделей OpenMath-Nemotron может привести к…

  • Новые возможности визуального обучения: Meta AI представляет Web-SSL

    Введение Современные достижения в области искусственного интеллекта привели к разработке моделей, которые могут улучшить визуальное восприятие без зависимости от текста. Модели Web-SSL от Meta AI предлагают новые возможности для бизнеса. Обзор моделей Web-SSL…