{"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\/es\/blog\/news\/opublikovana-ai-model-sinteza-rechi-zonos-podderzhivayushhaya-klonirovanie-golosa","title":{"rendered":"Se ha publicado el modelo de IA de s\u00edntesis de voz Zonos, que admite la clonaci\u00f3n de voz.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

La compa\u00f1\u00eda Zyphra ha publicado bajo la licencia Apache 2.0 la primera versi\u00f3n beta del modelo de IA para s\u00edntesis de voz Zonos. La herramienta que se ofrece junto con el modelo admite la funci\u00f3n de clonaci\u00f3n de voz, que permite sintetizar el habla con la voz deseada, para la cual el modelo solo necesita una grabaci\u00f3n de referencia de 30 segundos de la voz del hablante. Se admite la s\u00edntesis en ingl\u00e9s, japon\u00e9s, chino, franc\u00e9s y alem\u00e1n. <\/p>\n

El modelo abarca 1.6 mil millones de par\u00e1metros y ha sido entrenado con 200 mil horas de grabaciones de audio. Se admite la s\u00edntesis de habla mon\u00f3tona (como en audiolibros) y emocional (como en una conversaci\u00f3n en vivo), as\u00ed como la s\u00edntesis basada en un prefijo dado (se proporciona una grabaci\u00f3n de audio con el inicio del discurso, sobre la cual el modelo sintetiza la continuaci\u00f3n seg\u00fan el texto indicado, reproduciendo las caracter\u00edsticas originales de la voz, por ejemplo, continuando hablando en susurros). <\/p>\n

La salida genera sonido con una frecuencia de muestreo de 44 kHz. Se admite la sustituci\u00f3n de fragmentos sintetizados para simular presentaciones con varios oradores o construir di\u00e1logos interactivos, as\u00ed como la adici\u00f3n de etiquetas para controlar la velocidad del habla, la tonalidad y la expresi\u00f3n de emociones como la alegr\u00eda, el miedo, la tristeza y la ira. <\/p>\n

Seg\u00fan los desarrolladores, en cuanto a la calidad de la voz generada, el modelo no es inferior ni supera a todos los sistemas de s\u00edntesis abiertos y comerciales disponibles p\u00fablicamente (en las pruebas se compara con ElevenLabs, Cartesia y FishSpeech). Entre las desventajas se se\u00f1ala una mayor concentraci\u00f3n de artefactos sonoros, como tos, ruido de respiraci\u00f3n o chirridos, al principio o al final del material sonoro generado. <\/p>\n