Maskinoversættelse · Engelsk original

Chatterbox Flersproget

Denne første part Soniqo side dokumenter Chatterbox Flersproget fra den lokale speech-swift / speech-core implementering. Hugging Face bundter er knyttet nedenfor efter integration noter.

Intern side først

Landingskort og docs menuer peger nu her først; kildemodel og bundlink er stadig tilgængelige fra denne side.

På en Glance

Model	Chatterbox Flersproget
Rolle	Flersproget zeroshot voice- kloning TTS
Backend	MLX fp16 på Apple; LiteRT default- voice runtime in Speech Core
Output	24 kHz mono waveform
Sprog	23 sprog
Licens	MIT
Status	MLX kloning runtime; LiteRT grådighed / default- voice runtime for kant implementeringer
Kilde	Ligner AI Chatterbox
Swift produkt	`ChatterboxTTS`
CLI / runtime	Programmatisk speech-swift runtime; LiteRT eksempel CLI i speech-core / eksempler / litert

Anvendelse

Snuppet nedenfor afspejler den aktuelle speech-swift API eller kommando udsat af repo.

import ChatterboxTTS

let model = try await ChatterboxTTSModel.fromPretrained()
let pcm = try model.clone(
    referenceSamples: reference,
    sampleRate: 24_000,
    text: "The cloned voice now speaks a new sentence.",
    languageId: "en"
)

Model Links

Gennemførelsesnoter

Download er delt mellem de vigtigste Chatterbox bundt og den separate S3 Schedrizer arkiv.
Pipeline er T3 tekst- to- tale tokens, S3Gen flow mel dekoder, derefter HiFi- GAN / HiFTGenerator vocoder.
Referenceklip omprogrammeres til 24 kHz for S3Gen og 16 KHz for højttaler / token konditionering.
MLX klon sti og standalone S3Gen syntese bruge en afbalanceret hukommelse politik: en midlertidig up-to-512 MiB cache cap og cache rydder mellem stadier. Lavere opkaldsbudgetter bevares. memoryOptions: .unrestricted Skipper disse generations kontrol; den delte model-levetid cap stadig gælder.
Flash Core ML kloning bruger MLX reference- audio encoders til at forberede konditionering, og kører derefter den eksporterede T3 / S3Gen Core ML grafer. CFG holder sig som standard off, medmindre bundt omfatter t3/NullTextPrefill.mlmodelc; den offentlige 192- token audio eksport caps Flash reference beder på 6 sekunder så genererede tale har plads.
speech-core "s LiteRT sti skibe en standard stemme; fp16 T3 anbefales for arabisk kvalitet.