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

  • Архитектура трансфузии: Повышение креативности GPT-4o в бизнесе

    Преобразование AI с помощью архитектуры Transfusion Введение в GPT-4o и архитектуру Transfusion GPT-4o от OpenAI представляет собой значительное достижение в области мультимодального искусственного интеллекта, объединяя генерацию текста и изображений в одном выходе. Архитектура…

  • Графы атрибуции: Новый подход к интерпретируемости ИИ

    Введение Недавние разработки в области искусственного интеллекта, такие как графы атрибуции, открывают новые горизонты для понимания работы AI-моделей. Это позволяет компаниям лучше доверять и использовать ИИ в своих бизнес-процессах. Проблема интерпретируемости ИИ Одной…

  • Оценка надежности цепочечного рассуждения в ИИ: Исследования Anthropic

    Улучшение прозрачности и безопасности ИИ Введение в цепочку размышлений Цепочка размышлений (CoT) представляет собой значительное достижение в области искусственного интеллекта (ИИ). Этот подход позволяет моделям ИИ формулировать свои шаги рассуждений перед тем, как…

  • Модели Llama 4 от Meta AI: Решения для бизнеса

    Введение в модели Llama 4 Meta AI недавно представила свое новое поколение мультимодальных моделей Llama 4, включая две разновидности: Llama 4 Scout и Llama 4 Maverick. Эти модели представляют собой значительный шаг вперед…

  • Масштабируемое Обучение с Подкреплением для Сложных Задач

    Практические бизнес-решения на основе RLVR Использование обучения с подкреплением с проверяемыми наградами (RLVR) открывает новые возможности для бизнеса. Давайте рассмотрим, как это может улучшить бизнес и реальную жизнь, а также шаги для внедрения.…

  • Запуск AgentIQ от NVIDIA: Оптимизация рабочих процессов AI-агентов

    Введение С увеличением использования интеллектуальных систем, основанных на AI-агентах, компании сталкиваются с проблемами, связанными с совместимостью, мониторингом производительности и управлением рабочими процессами. Решение этих проблем может значительно повысить эффективность и масштабируемость AI-разработок. NVIDIA…

  • Генерация ИИ для Автономного Управления Задачами

    GenSpark Super Agent: Преобразование Бизнес-Операций с Помощью ИИ Введение в GenSpark GenSpark Super Agent, или просто GenSpark, — это инновационное решение на основе ИИ, предназначенное для автономного управления сложными задачами в различных областях.…

  • Создание контекстного AI-ассистента на базе LangChain и Gemini

    Создание контекстно-осведомленного AI-ассистента Этот текст описывает процесс создания контекстно-осведомленного AI-ассистента с использованием LangChain, LangGraph и языковой модели Gemini от Google. Применение принципов Протокола Контекста Модели (MCP) позволит разработать упрощенную версию AI-ассистента, который эффективно…

  • Создание AI-бота для вопросов и ответов на веб-сайтах с использованием открытых моделей

    Построение AI Q&A Бота для Вебсайтов с Использованием Открытых Моделей Обзор и Преимущества Создание AI Q&A бота может значительно повысить эффективность вашей компании, улучшая доступ к информации и сокращая время, затрачиваемое на поиск…

  • Запуск проверенного агента SWE-bench от Augment Code: Прорыв в области ИИ для программной инженерии

    Введение Запуск открытого AI-агента от Augment Code представляет собой значительный шаг в области программной инженерии. Этот инструмент может значительно улучшить процессы разработки и повысить эффективность работы команд. Практические бизнес-решения Использование AI-агента Augment Code…

  • NVIDIA HOVER: Революция в гуманоидной робототехнике с помощью единого ИИ управления

    Практические бизнес-решения с использованием HOVER NVIDIA HOVER предлагает революционное решение в области гуманоидной робототехники, которое может значительно улучшить бизнес-процессы и повседневную жизнь. Ниже представлены шаги для реализации и повышения результатов бизнеса. Шаги к…

  • Open-Qwen2VL: Эффективная интеграция мультимодальных ИИ решений

    Решение Open-Qwen2VL для эффективной интеграции многомодального ИИ Понимание проблемы многомодальных моделей Многомодальные большие языковые модели (MLLM) становятся важными для объединения визуальных и текстовых данных, улучшая такие задачи, как создание подписей к изображениям и…

  • Дельфин: Прорыв в многоязычном распознавании речи для восточных языков

    Dolphin: Прорыв в многоязычном автоматическом распознавании речи Введение в Dolphin Недавние достижения в технологии автоматического распознавания речи (ASR) выявили значительные пробелы в способности точно распознавать различные языки, особенно восточные. Модель Dolphin, разработанная Dataocean…

  • Эффективное обучение моделей R1 с помощью FASTCURL

    Введение в FASTCURL FASTCURL – это новый подход к обучению моделей, которые способны решать сложные задачи. Он помогает моделям лучше справляться с логическими и математическими задачами. Проблемы в обучении моделей R1 Обучение таких…

  • Протокол Модели Контекста для AI Ассистентов: Полное Руководство

    Практические решения для бизнеса с использованием MCP Введение в Model Context Protocol (MCP) Model Context Protocol (MCP) предоставляет стандартизированный способ подключения AI-ассистентов к внешним источникам данных и инструментам. Это позволяет улучшить взаимодействие между…

  • Революция в симуляции GPU: Новый подход к анализу архитектуры NVIDIA

    Улучшение предсказания производительности GPU с помощью современных моделей симуляции Введение в эффективность GPU Графические процессоры (GPU) играют ключевую роль в задачах высокопроизводительных вычислений, особенно в области искусственного интеллекта и научных симуляций. Их архитектура…

  • Оптимизация AI для бизнеса с помощью ExCoT от Snowflake

    Введение в ExCoT Snowflake представила революционную структуру, известную как ExCoT, направленную на улучшение производительности открытых больших языковых моделей (LLMs) в задачах текст-к-SQL. Эта структура сочетает в себе рассуждения в цепочке (CoT) с прямой…

  • Модели вознаграждения в области зрения и языка: практические бизнес-решения

    Практические бизнес-решения на основе моделей вознаграждения с поддержкой процессов Понимание моделей вознаграждения с поддержкой процессов Модели вознаграждения с поддержкой процессов (PRMs) предлагают детализированную обратную связь по ответам моделей, что помогает бизнесу выбирать наиболее…