Edge0 lança o modelo de clonagem de voz Audio8-TTS-Realistic, com 0,6B de parâmetros

A Edge0 lançou o Audio8-TTS-Realistic, um modelo de texto para fala com 0,6B de parâmetros, capaz de clonagem de voz sem exemplos. O modelo suporta 23 idiomas, incluindo árabe, finlandês, hindi, indonésio, malaio, norueguês, português, russo, sueco, tailandês, turco e vietnamita. Utiliza um design de autoregressão dupla, inspirado no Fish Audio S2 Pro, com um ramo lento baseado no Qwen2.5 0,5B e um ramo rápido com 4 camadas. O modelo funciona a cerca de 21,5 quadros por segundo e pode gerar fala sem uma voz de referência. O treinamento envolve três etapas, com um crítico avaliando as saídas em comparação com gravações humanas. O modelo melhorou as taxas de erro em 13 idiomas de baixo recurso, reduzindo a taxa de erro de palavras de 22,53% para 20,77% e aumentando a similaridade do falante de 0,637 para 0,679. O Audio8-TTS-Realistic superou vários concorrentes em testes de referência, incluindo VoxCPM2, CosyVoice3-1.5B e Qwen3-TTS-1.7B. Está disponível sob a licença Apache 2.0, com código e checkpoints fornecidos em um repositório GitHub.