llasa-3b-tts

מה זה

אתם מעלים קובץ שמע שמשמש כדוגמת קול, מקלידים את הטקסט שאתם רוצים לשמוע, ולוחצים על כפתור ההפקה. בסיום התהליך מקבלים קובץ אודיו חדש שמקריא את הטקסט בקול המקורי מתוך הדגימה שהזנתם.

מאחורי הקלעים הקוד משלב את המודל Llasa-3B יחד עם מודל האודיו XCodec2 וצינור של Whisper Turbo, כולם פועלים יחד כדי לתמלל את המקור, לחלץ את מאפייני הדיבור ולסנתז את הפלט. מדובר בדמו לא רשמי שמריץ שילוב של ספריות Transformers ועיבוד קול כדי לבצע את השיבוט בגישת אפס דוגמאות מוקדמות.

מתאים ל

• שכפול קול קצר

  יצירת קטע דיבור קצר בקול של אדם מסוים מתוך דגימת אודיו בודדת של כמה שניות.

• בדיקת המודל בדפדפן

  בחינת יכולות הסינתזה של Llasa 3B בלי צורך להוריד משקלים או להגדיר סביבת עבודה.

• הפקת קריינות למשפט בודד

  הקראת שורות טקסט קצרות עד 300 תווים עבור בדיקות היתכנות של פרויקטים אישיים.

איפה זה נופל

הקוד חותך אוטומטית כל קובץ קול שתעלו ל־15 השניות הראשונות בלבד, כך שאי אפשר להסתמך על דגימות ארוכות ומפורטות. בנוסף יש הגבלה קשיחה של עד 300 תווים לטקסט המבוקש. לא הייתי בונה על זה להקראת פסקאות ארוכות או ספרים, וההדגמה לא מציגה תמיכה בדקויות של שפות כמו עברית.

איך משתמשים

נכנסים לעמוד, גוררים קובץ שמע לשדה הרלוונטי, מקלידים את הטקסט בתיבה הייעודית ולוחצים על Synthesize. ההרצה מתבצעת על חומרת A10G דרך חבילת Spaces, כך שהעיבוד מהיר באופן יחסי, אבל עשוי להיות תור אם יש עומס של משתמשים בו זמנית באותו רגע.

הרישיון

הרישיון לא דווח בעמוד של האפליקציה, מה שאומר שאין היתר שימוש מסחרי ברור. מומלץ להתייחס לכל מה שאתם מעלים ומפיקים כאן כניסוי בלבד, ולא להשתמש בזה למוצרים מסחריים בלי לבדוק את תנאי המודל המקורי.

הרישיון המלא ב־Hugging Face ↗