Zonos - Modèle de synthèse vocale open weight de haute qualité

• Modèle Open Weight de synthèse vocale text-to-speech entraîné sur plus de 200�00 heures de données vocales multilingues
• Qualité vocale « équivalente ou supérieure » aux services TTS commerciaux et « offre d’une expressivité naturelle »
• Sortie vocale haute qualité à une fréquence d’échantillonnage de 44 kHz
• Prise en charge du clonage vocal : possibilité de reproduire avec précision le style d’un locuteur spécifique à partir de seulement quelques secondes de voix de référence
• Nombreuses fonctions de contrôle : vitesse d’élocution, hauteur, qualité vocale et émotions (joie, peur, tristesse, colère, etc.)

Fonctionnalités principales

• TTS zero-shot et clonage vocal
  • En saisissant du texte et un échantillon de voix de 10 à 30 secondes, il est possible de générer immédiatement une synthèse vocale de haute qualité
• Prise en charge de l’entrée d’un préfixe audio
  • L’ajout d’un préfixe audio avec le texte permet une correspondance plus précise du locuteur
  • Efficace pour reproduire des styles vocaux spécifiques, comme une voix chuchotée
• Prise en charge multilingue
  • Anglais, japonais, chinois, français et allemand pris en charge
• Contrôle des émotions et de la qualité vocale
  • Réglage des émotions : possibilité d’exprimer la joie, la colère, la tristesse, la peur, etc.
  • Réglages vocaux détaillés : ajustement possible de la vitesse, de la hauteur, de la fréquence maximale et de la qualité audio
• Performances rapides
  • Peut fonctionner à environ 2 fois la vitesse du temps réel sur une RTX 4090
• Prise en charge de Gradio WebUI
  • Fournit une interface web simple permettant à chacun de générer facilement de la voix
• Installation et déploiement simples
  • Installation et déploiement facilités via Docker

[mindok]

C’est dommage qu’il n’y ait pas de coréen...

[marantz]

Le coréen est aussi plutôt bien pris en charge. C’est juste un peu maladroit, cela dit.