{"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\/novosti-interneta\/opublikovana-ai-model-sinteza-rechi-zonos-podderzhivayushhaya-klonirovanie-golosa","title":{"rendered":"Das AI-Modell zur Sprachsynthese Zonos unterst\u00fctzt jetzt die Klonung von Stimmen.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Das Unternehmen Zyphra hat die erste Beta-Version des AI-Modells zur Sprachsynthese Zonos unter der Apache 2.0-Lizenz ver\u00f6ffentlicht. Zusammen mit dem Modell wird ein Toolkit angeboten, das die Sprachklon-Funktion unterst\u00fctzt, mit der Sprache in der gew\u00fcnschten Stimme synthetisiert werden kann. Daf\u00fcr reicht es aus, dem Modell eine 30-sek\u00fcndige Referenzaufnahme der Sprache des Sprechers zur Verf\u00fcgung zu stellen. Die Synthese wird in Englisch, Japanisch, Chinesisch, Franz\u00f6sisch und Deutsch unterst\u00fctzt. <\/p>\n

Das Modell umfasst 1,6 Milliarden Parameter und wurde mit 200.000 Stunden Audioaufnahmen trainiert. Es unterst\u00fctzt die Synthese von monotoner (wie in H\u00f6rb\u00fcchern) und emotionaler Sprache (wie in lebhaften Gespr\u00e4chen) sowie die Synthese basierend auf einem vorgegebenen Pr\u00e4fix (es wird eine Aufnahme mit dem Beginn der Sprache bereitgestellt, anhand derer das Modell den fortlaufenden Text synthetisiert und die urspr\u00fcnglichen Sprechermerkmale, wie z. B. Fl\u00fcstern, beibeh\u00e4lt). <\/p>\n

Es wird ein Ton mit einer Abtastrate von 44 kHz erzeugt. Es wird unterst\u00fctzt, synthetisierte Inserts zu ersetzen, um Auftritte mit mehreren Sprechern zu simulieren oder interaktive Dialoge zu erstellen, sowie das Hinzuf\u00fcgen von Labels zur Steuerung der Sprechgeschwindigkeit, Tonalit\u00e4t und Ausdruck von Emotionen wie Freude, Angst, Traurigkeit und Wut. <\/p>\n

Laut den Entwicklern steht die Qualit\u00e4t der erzeugten Sprache der aller \u00f6ffentlichen, verf\u00fcgbaren offenen und kommerziellen Synthesizer-Systeme in nichts nach oder \u00fcbertrifft sie (in Tests wird ein Vergleich mit ElevenLabs, Cartesia und FishSpeech angestellt). Zu den Nachteilen geh\u00f6rt eine h\u00f6here Konzentration an Klangartefakten wie Husten, Atemger\u00e4uschen oder Knarren zu Beginn oder am Ende des erzeugten Klangmaterials. <\/p>\n