Edge0 lanza Audio8-TTS-Realistic, un modelo de clonación de voz de 0,6B parámetros

Edge0 ha lanzado Audio8-TTS-Realistic, un modelo de texto a voz de 0,6B parámetros capaz de clonación de voz sin referencia. El modelo admite 23 idiomas, incluyendo árabe, finlandés, hindi, indonesio, malayo, noruego, portugués, ruso, sueco, tailandés, turco y vietnamita. Utiliza un diseño autoregresivo dual inspirado en Fish Audio S2 Pro, con una rama lenta basada en Qwen2.5 0.5B y una rama rápida con 4 capas. El modelo funciona a unos 21,5 fotogramas por segundo y puede generar voz sin una voz de referencia. El entrenamiento implica tres etapas, con un crítico evaluando las salidas en comparación con las grabaciones humanas. El modelo mejoró las tasas de error en 13 idiomas de bajo recurso, reduciendo la tasa de error de palabras del 22,53% al 20,77% y aumentando la similitud del hablante del 0,637 al 0,679. Audio8-TTS-Realistic superó a varios competidores en pruebas de referencia, incluyendo VoxCPM2, CosyVoice3-1.5B y Qwen3-TTS-1.7B. Está disponible bajo la licencia Apache 2.0, con código y puntos de control proporcionados en un repositorio de GitHub.