Mô hình Pocket TTS đạt khả năng nhân bản giọng nói chỉ với 1,9 triệu tham số
Một cuộc thảo luận làm nổi bật Pocket TTS, một mô hình chuyển văn bản thành giọng nói cực kỳ nhẹ hỗ trợ nhân bản giọng nói đã được thu nhỏ xuống chỉ còn 1,9 triệu tham số. Bước đột phá này thể hiện một cột mốc quan trọng về hiệu suất AI, cho phép các tính năng âm thanh nâng cao như nhân bản giọng nói chạy mượt mà trên các thiết bị biên và CPU bị hạn chế tài nguyên. Mô hình này được thiết kế để vừa vặn hoàn toàn trong bộ nhớ CPU cục bộ, giúp nó dễ dàng tiếp cận đối với các nhà phát triển tập trung vào các ứng dụng giọng nói cục bộ và ưu tiên quyền riêng tư.
## KIẾN THỨC NỀN
Các mô hình chuyển văn bản thành giọng nói (TTS) thường yêu cầu hàng trăm triệu hoặc thậm chí hàng tỷ tham số để tạo ra giọng nói tự nhiên và tái tạo các giọng nói cụ thể. Những phát triển gần đây từ các tổ chức như Kyutai nhằm mục đích nén đáng kể các mô hình này, cho phép tổng hợp giọng nói và nhân bản giọng nói hoạt động hiệu quả trên máy tính cá nhân và phần cứng di động mà không cần phụ thuộc vào cơ sở hạ tầng đám mây nặng nề.