Pocket TTS 100M

Pocket TTS 100M هو محرك تحويل النص الإنجليزي إلى كلام بزمن استجابة منخفض وعلى الجهاز ضمن speech-core. تستخدم حزمة ONNX العامة صوت Alba الثابت وتبث الصوت فور جاهزية كل إطار صوتي.

بث أول صوت

الاستدلال متداخل فعلاً: يُفك ترميز كل تمثيل ذاتي الانحدار ويُرسل قبل توليد التالي. يعيد كل callback غير نهائي 1,920 عينة Float32، أي 80 مللي ثانية عند 24 kHz، متجنباً الحد الثابت لرسوم TTS المخزنة مؤقتاً.

الحزمة المنشورة

ItemDetails
Modelsoniqo/Pocket-TTS-100M-ONNX-INT8
Releasev1.0.0 · ad5d3fae3fb2f10024583708597afca8337c094c
Bundle size120.3 MiB
RuntimeONNX Runtime · C++17 · dynamic INT8 + FP32
Output24 kHz mono Float32 PCM · 1,920 samples / 80 ms per frame
Language / voiceEnglish · fixed Alba voice

التنزيل والتحقق

يثبت برنامج تنزيل speech-core الإصدار v1.0.0 ويتحقق من كل ملف منشور باستخدام SHA-256.

bash scripts/download_pocket_tts_onnx.sh /models/pocket-tts-onnx

واجهة C++

#include <speech_core/models/onnx_pocket_tts.h>

speech_core::PocketTtsConfig config;
config.intra_threads = 2;
config.flow_steps = 4;

speech_core::OnnxPocketTts tts("/models/pocket-tts-onnx", config);
tts.synthesize("Hello world.", "en",
    [](const float* samples, size_t length, bool is_final) {
        // Each non-final callback is 1,920 Float32 samples:
        // 80 ms at 24 kHz.
    });

عقد البث

يستقبل callback إطاراً واحداً بطول 80 مللي ثانية في كل مرة، ويشير callback النهائي إلى نهاية البث. تعرض last_metrics() أزمنة التهيئة وأول صوت والإجمالي وعدد الإطارات والعينات وEOS والإلغاء والبذرة الفعلية. توقف cancel() التوليد النشط.

اختبار Galaxy S23 Ultra

استخدمت إعادة اختبار نظيفة للحزمة العامة v1.0.0 ONNX Runtime 1.27 وخيطَي CPU وهاتف Galaxy S23 Ultra. هذه قياسات مباشرة للمحرك ولا تشمل الواجهة أو خط الصوت الكامل.

MetricResult
TTFA p50 / p95127.7 / 133.7 ms
Total latency p50 / p95467.5 / 485.3 ms
Median RTF0.4495
Peak RSS373.7 MiB

وضوح الرحلة ذهاباً وإياباً

ولد اختبار الجهاز 46 عبارة أوامر وردود، ومررها عبر مسار إعادة أخذ العينات الإنتاجي من 24 إلى 16 kHz، ثم نسخها باستخدام Parakeet-EOU المنشور.

MetricResult
Corpus46 phrases
Exact transcripts31 / 46
WER / CER8.00% / 3.47%
Empty audio / transcript / EOS failures0 / 0 / 0

يقيس ASR ذهاباً وإياباً وضوح الكلام لا طبيعته أو تفضيل المستمع، ويكمل اختبارات الاستماع.

حالة التكامل

المتاح حالياً

دُمج محرك ONNX بلغة C++17 في speech-core ويمكن بناؤه لـ Windows وLinux وAndroid. ما زال مسار SDK/JNI الحالي في speech-android يختار Kokoro افتراضياً؛ اختيار النموذج في Kotlin والتنزيل وإتاحة SDK أعمال لاحقة. لا يتضمن الإصدار محرك Apple/CoreML.

القيود والترخيص

المصادر