hysts/LongCat-AudioDiT-3.5B
רץ בדפדפןhystsרישיון לא דווח2026-03-31
הממשק מייצר דיבור מטקסט ומשבט קולות באמצעות מודל דיפוזיה אודיו. הוא מיועד למי שרוצה לבדוק את היכולות של LongCat בדפדפן בלי להוריד משקלים כבדים.
- —הורדות בחודש
- 38לייקים
מה זה
אתם בוחרים בין שתי לשוניות עיקריות בממשק. בלשונית הדיבור הפשוט מזינים טקסט ומקבלים קובץ שמע, ובלשונית שיבוט הקול מעלים הקלטת שמע קיימת כדוגמה, מקלידים את התמלול המדויק שלה, ומוסיפים את הטקסט החדש שרוצים להקריא בקול הזה. יש בעמוד דוגמאות מובנות שאפשר לטעון בלחיצה אחת כדי לראות איך זה אמור לעבוד לפני שמעלים קבצים משלכם.
מאחורי הקלעים רץ המודל LongCat-AudioDiT-3.5B של meituan, שמבוסס על ארכיטקטורת Diffusion Transformer לעיבוד אודיו. הקוד כולל תפריט הגדרות מתקדמות שמאפשר לשנות את כמות צעדי הדיפוזיה בין 1 ל־64, לבחור שיטת הנחיה, לשלוט בעוצמת ההנחיה ולקבוע סיד קבוע כדי לשחזר תוצאות מדויקות.
מתאים ל
- הפקת דיבור מטקסט
מזינים טקסט בלשונית הדיבור ומפיקים קובץ שמע ישירות מהדפדפן.
- שיבוט קול מהקלטה
מעלים קובץ שמע קצר עם תמלול ומפיקים טקסט חדש באותו הקול.
- בדיקת הגדרות דיפוזיה
משנים את מדדי הצעדים ועוצמת ההנחיה כדי לבחון את איכות הפלט.
איפה זה נופל
ההדגמה מחייבת קלט קפדני. בשיבוט קול אי אפשר להסתפק רק בהקלטה, וחובה לספק גם תמלול מלא של מה שנאמר בה, אחרת המערכת זורקת שגיאה ועוצרת. הקוד טוען רק את גרסת 3.5B, כך שאין אפשרות להשוות מול גרסת ה־1B המופיעה ברשימת המודלים. בנוסף, המודל אומן בעיקר על שפות מסוימות ולכן טקסטים בעברית עלולים להיכשל או להישמע משובשים.
שאלות
נפוצות
האם השימוש בממשק עולה כסף?
היישום פתוח לשימוש חופשי בדפדפן על גבי התשתית של Hugging Face. אין צורך לשלם על זמן העיבוד או להכניס פרטי אשראי. עם זאת, ייתכנו הגבלות זמן שימוש יומיות של הפלטפורמה עצמה.
האם אפשר להריץ את המודל על המחשב האישי?
כן, המודל זמין להורדה מ־Hugging Face תחת meituan-longcat/LongCat-AudioDiT-3.5B. עם זאת, מדובר במודל של 3.5 מיליארד פרמטרים שדורש מעבד גרפי חזק עם זיכרון וידאו משמעותי כדי לרוץ בצורה סבירה. לרוב המשתמשים יהיה פשוט יותר לבדוק אותו ישירות בדפדפן.
במה היישום הזה שונה מהרצת המודל ישירות בקוד?
היישום עוטף את המודל בממשק גרפי של Gradio ומגדיר מראש פרמטרים כמו 16 צעדי ריצה. הוא נועל את המשתמש להגדרות ספציפיות ולא מאפשר לעבד קבצים בכמויות גדולות. הקוד עצמו מריץ בדיוק את אותו המודל בלי שום שינוי פנימי.
כמה זמן לוקח לייצר קטע קול?
זמן ההפקה תלוי ישירות במספר צעדי החישוב שבחרתם ובאורך הטקסט. בהגדרת ברירת המחדל של 16 צעדים, המעבד הגרפי מסוג A10G מסיים את הפעולה תוך שניות ספורות. אם תעלו את מספר הצעדים למקסימום של 64, תצטרכו להמתין זמן ארוך יותר.
איך משתמשים
בוחרים את הלשונית הרצויה, ממלאים את שדות הטקסט והאודיו, ולוחצים על כפתור Generate. היישום רץ על גבי מעבד גרפי מסוג zero-a10g שמקצה משאבים לפי דרישה בעת ההרצה. ברירת המחדל עומדת על 16 צעדי חישוב, כך שהשמע מופק תוך זמן קצר, אך עומס משתמשים באתר עלול להכניס את הבקשה לתור.
הרישיון
הרישיון של היישום לא דווח כלל במאגר. ללא רישיון שימוש מוגדר, לא ידוע אם מותר להשתמש בקטעי השמע המופקים למטרות מסחריות, ויש להתייחס לפלט ככזה שמיועד לבדיקה והתרשמות בלבד.