Terjemahan mesin · Versi asli bahasa Inggris

Chatterbox Multibahasa

Pesta pertama ini. Soniqo dokumen halaman Chatterbox Multibahasa dari lokal speech-swift / speech-core implementasi. Hugging Face bundel dihubungkan di bawah ini setelah catatan integrasi.

Halaman Internal Pertama

Mendarat kartu dan menu dokumen sekarang menunjuk di sini pertama; model sumber dan bundel link tetap tersedia dari halaman ini.

Pada sebuah Glance

Model	Chatterbox Multibahasa
Peran	Suara TTS multibahasa
Backend	MLX fp16 pada Apple; LiteRT pencemaran suara waktu jalan dalam Speech Core
Keluaran	24 kHz mono waveform
Bahasa	23 bahasa
Lisensi	MIT
Status	MLX kloning waktu jalan; LiteRT serakah / default-suara waktu untuk penghukuman tepi
Sumber	Mengulang AI Chatterbox
Produk Swift	`ChatterboxTTS`
CLI / waktu jalan	Programtic speech-swift runtime; LiteRT contoh CLI dalam speech-core / contoh / litert

Gunakan

snippet di bawah cermin yang sekarang speech-swift API atau perintah yang terkena repo tersebut.

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"
)

Taut Model

Catatan Implementasi

Unduh dibagi antara penyimpanan utama Chatterbox dan repositori tokenizer S3 yang terpisah.
Baris pipa adalah T3 token teks -to- bahasa, S3Gen aliran decoder mel, kemudian hiFi- GAN / HiFTGenerator vocoder.
Referensi klip adalah resabled ke 24 kHz untuk S3Gen dan 16 KHz untuk pengkondisian speaker / token.
The MLX jalur klon dan standalone S3Gen synthesis menggunakan kebijakan memori seimbang: sebuah sementara up-to-512 MiB cache cap and cache clears between stages. memoryOptions: .unrestricted melewati generasi itu kontrol; model yang sama-seumur hidup masih berlaku.
Flash Core ML cloning menggunakan MLX referensi -enkoder audio untuk mempersiapkan pengkondisian, kemudian menjalankan pengekspor T3/S3Gen Core ML grafik. CFG tetap mati secara baku kecuali bundle termasuk t3/NullTextPrefill.mlmodelc; 192-token publik ekspor audio caps Flash referensi prompt di 6 detik sehingga dihasilkan pidato memiliki ruang.
speech-core 's LiteRT jalur kapal suara baku; fp16 T3 direkomendasikan untuk kualitas Arab.