MOSS-TTS-Nano

מה זה

אתם מעלים קובץ שמע שמשמש כדוגמת קול, או בוחרים קול מוכן מראש, מקלידים את הטקסט שרוצים להקריא ולוחצים על הפעלה. הממשק שולח את הטקסט לעיבוד מקדים בעזרת צינור נרמול ייעודי, ואז מחזיר קובץ שמע מוגמר שמחקה את גוון הקול שנבחר.

מאחורי הקלעים רץ המודל MOSS Audio Tokenizer Nano של OpenMOSS Team, יחד עם רכיב הריצה Nano TTS. המערכת כוללת תפריט דוגמאות מובנה שטוען מקרים מוכנים, ממלא את הטקסט ומאפשר להאזין מראש לשמע שנבחר.

מתאים ל

• בדיקת שכפול קול

  מעלים דגימת שמע של כמה שניות ובודקים כמה טוב המודל משמר את גוון הקול.

• הפקת דיבוב מטקסט

  יוצרים קטעי דיבור שלמים מתוך טקסט כתוב באמצעות קולות מוגדרים מראש.

• כוונון הגדרות יצירה

  משנים פרמטרי דגימה כמו טמפרטורה וטוקנים כדי לבחון את איכות הפלט.

איפה זה נופל

היישום מוגבל אך ורק לתרחיש של שכפול קול. אין אפשרות להחליף מודלים מאחורי הקלעים, אין שליטה על מעבר לריצה על מעבד רגיל, והשמע המלא מתקבל רק בסיום הפענוח ולא בהזרמה רציפה בזמן אמת. בנוסף, צינור הנרמול מבוסס על WeTextProcessing, כך שהוא מותאם לשפות ספציפיות ולא בהכרח ידע לנקד או להגות עברית נכון.

איך משתמשים

בוחרים דוגמה או מעלים הקלטה, כותבים את הטקסט ולוחצים על Generate Speech. אפשר לפתוח הגדרות מתקדמות ולשנות פרמטרים כמו טמפרטורה, ענישה על חזרתיות ומספר פריימים מקסימלי, אבל לא חייבים לגעת בהם. הריצה מתבצעת על מעבד גרפי מדגם A10G דרך תשתית ZeroGPU, מה שאומר שהעיבוד עצמו זריז ברגע שמתפנה חומרה, בלי צורך להירשם.

הרישיון

הקוד וההדגמה מפורסמים תחת רישיון apache-2.0, שמאפשר שימוש חופשי וגם שינוי של הקוד. שמע שאתם מעלים ויוצרים עובר דרך השרתים של Hugging Face כדי לעבד אותו על המעבד הגרפי.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש
• שימוש בפטנטים

הרישיון המלא ב־Hugging Face ↗