{"id":121971,"date":"2025-02-17T14:22:05","date_gmt":"2025-02-17T12:22:05","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/opublikovana-ai-model-sinteza-rechi-zonos-podderzhivayushhaya-klonirovanie-golosa"},"modified":"2025-02-17T14:22:05","modified_gmt":"2025-02-17T12:22:05","slug":"opublikovana-ai-model-sinteza-rechi-zonos-podderzhivayushhaya-klonirovanie-golosa","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/news\/opublikovana-ai-model-sinteza-rechi-zonos-podderzhivayushhaya-klonirovanie-golosa","title":{"rendered":"Das AI-Modell zur Sprachsynthese Zonos, das die Stimmklonung unterst\u00fctzt, wurde ver\u00f6ffentlicht.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Das Unternehmen Zyphra hat unter der Apache 2.0-Lizenz die erste Betaversion des AI-Modells zur Sprachsynthese Zonos ver\u00f6ffentlicht. Das mit dem Modell bereitgestellte Toolkit unterst\u00fctzt die Funktion der Stimmklonierung, die es erm\u00f6glicht, Sprache mit einer gew\u00fcnschten Stimme zu synthetisieren. Um die Stimme zu reproduzieren, reicht es aus, der Modell 30 Sekunden einer Referenzaufnahme des Sprechers bereitzustellen. Die Synthese wird in Englisch, Japanisch, Chinesisch, Franz\u00f6sisch und Deutsch unterst\u00fctzt. <\/p>\n

Das Modell umfasst 1,6 Milliarden Parameter und wurde auf 200.000 Stunden Audiodaten trainiert. Es unterst\u00fctzt die Synthese von monotoner Sprache (wie in H\u00f6rb\u00fcchern) und emotionaler Sprache (wie im Gespr\u00e4ch), sowie die Synthese basierend auf einem vorgegebenen Pr\u00e4fix (es wird eine Audioaufnahme mit dem Beginn der Rede bereitgestellt, auf deren Basis das Modell eine Fortsetzung des angegebenen Textes synthetisiert und die urspr\u00fcnglichen Spracheigenschaften beibeh\u00e4lt, beispielsweise weiterhin fl\u00fcstert). <\/p>\n

Die ausgegebene Klangqualit\u00e4t hat eine Abtastrate von 44 kHz. Es wird die Einf\u00fcgung synthetisierter Eins\u00e4tze zur Simulation von Auff\u00fchrungen mit mehreren Sprechern oder zur Erstellung interaktiver Dialoge unterst\u00fctzt, ebenso wie die Hinzuf\u00fcgung von Markierungen zur Steuerung der Sprechgeschwindigkeit, Tonh\u00f6he und Ausdruck von Emotionen wie Freude, Angst, Traurigkeit und Wut. <\/p>\n

Laut den Entwicklern steht die Qualit\u00e4t der generierten Sprache im Vergleich zu allen \u00f6ffentlich verf\u00fcgbaren offenen und kommerziellen Synthesesystemen nicht nach und \u00fcbertrifft sie teilweise (in den Tests wird ein Vergleich mit ElevenLabs, Cartesia und FishSpeech angef\u00fchrt). Zu den Nachteilen wird eine h\u00f6here Konzentration von Klangartefakten wie Husten, Atemger\u00e4uschen oder Knarren zu Beginn oder am Ende des erzeugten Klangmaterials erw\u00e4hnt. <\/p>\n