ソプラノ:80Mパラメータの軽量TTSモデル、CPUで20倍リアルタイム合成を実現

Sopranoは、わずか8000万パラメータと1GB未満のメモリ使用量で超リアルなテキスト読み上げを実現するモデルとして発表された。通常のCPU上で、20倍のリアルタイム合成速度と250ミリ秒未満の初期レイテンシを達成する。長い入力テキストは自動的に文単位で分割され、無制限の長さの合成が可能で、出力は32kHzのオーディオ品質で提供される。このツールはOpenAI互換のAPIを公開しており、コマンドラインインターフェースやWeb UIも提供する。Windows、Linux、macOSで動作し、クラウドベースのTTSサービスに代わるローカルで低リソースな選択肢を提供する。