{"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\/sv\/blog\/news\/opublikovana-ai-model-sinteza-rechi-zonos-podderzhivayushhaya-klonirovanie-golosa","title":{"rendered":"AI-modellen f\u00f6r tal-syntes Zonos har offentliggjorts, som st\u00f6djer r\u00f6stkloning","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

F\u00f6retaget Zyphra har offentliggjort den f\u00f6rsta betaversionen av AI-modellen f\u00f6r talsyntes Zonos under Apache 2.0-licensen. Tillsammans med modellen erbjuds ett verktyg som st\u00f6der r\u00f6stkloning, vilket g\u00f6r det m\u00f6jligt att syntetisera tal med \u00f6nskad r\u00f6st. F\u00f6r att \u00e5terskapa denna r\u00f6st beh\u00f6ver modellen bara en 30 sekunder l\u00e5ng referensinspelning av talaren. Syntes st\u00f6ds p\u00e5 engelska, japanska, kinesiska, franska och tyska. <\/p>\n

Modellen omfattar 1,6 miljarder parametrar och har tr\u00e4nats p\u00e5 200 000 timmar ljudinspelningar. Den st\u00f6der syntes av monoton tal (som i ljudb\u00f6cker) och emotionellt tal (som i ett samtal), samt syntes baserat p\u00e5 en angiven prefix (d\u00e4r en ljudinspelning med b\u00f6rjan av talet ges, vilket g\u00f6r att modellen kan syntetisera forts\u00e4ttningen utifr\u00e5n den angivna texten och \u00e5terskapa de ursprungliga talegenskaperna, till exempel att forts\u00e4tta tala viskande). <\/p>\n

Utdata genereras med en samplingsfrekvens p\u00e5 44 kHz. Syntes av inskjutna delar st\u00f6ds f\u00f6r att simulera recensioner med flera talare eller bygga interaktiva dialoger, liksom till\u00e4gg av etiketter f\u00f6r att styra talhastighet, tonl\u00e4ge och uttryck f\u00f6r k\u00e4nslor som gl\u00e4dje, r\u00e4dsla, sorg och ilska. <\/p>\n

Enligt utvecklarna st\u00e5r den genererade talets kvalitet inte efter eller \u00f6vertr\u00e4ffar alla offentligt tillg\u00e4ngliga \u00f6ppna och kommersiella syntessystem (i testerna g\u00f6rs en j\u00e4mf\u00f6relse med ElevenLabs, Cartesia och FishSpeech). Bland nackdelarna n\u00e4mns en h\u00f6gre koncentration av ljudartefakter, s\u00e5som hosta, andningsljud eller knakningar, i b\u00f6rjan eller slutet av det genererade ljudmaterialet. <\/p>\n