Maskinoversettelse · Engelsk original

FireRedTTS3-Instruct

Native MLX stemmedesign fra et eksakt skript og en stemmeinstruksjon. Mono PCM på 24 kHz; ingen referanseopptak er nødvendig.

FireRedTTS3-Instruct beholder Float32-modell og dekodervekter. Det returnerer buffert lyd: omit --stream. Engelsk og kinesisk --language-alias er akseptert. En generasjonsgrense øker en feil i stedet for å returnere avkortet suksess.

SDK kildebygg

Implementering (PR #541): main

git clone --single-branch --branch main https://github.com/soniqo/speech-swift.git
cd speech-swift
make build

Publisert MLX pakker: aufklarer/FireRedTTS3-Instruct-MLX-fp32

Kommandolinje

.build/release/speech speak "The weather is beautiful today." \
  --engine fireredtts3 \
  --fireredtts3-model-id aufklarer/FireRedTTS3-Instruct-MLX-fp32 \
  --instruct "A calm adult female voice, speaking warmly and clearly." \
  --seed 2 --output firered.wav

Gi ett tekstargument, --instruct, og nøyaktig én pakkekatalog eller kompatibel modell-ID. Referanselyd, faste høyttalere og satsinngang er ikke støttet.

Hvert tekst- og instruksjonsfelt er begrenset til 32.768 UTF-8 byte. Den fullstendig gjengitte inngangsprompten, inkludert malen, må passe innen 4.096 token. Innganger som overstiger enten grensen avvises.

Instruksjon TTS-alternativer

Swift API

import FireRedTTS3TTS

let model = try await FireRedTTS3Model.fromPretrained(
    modelId: "aufklarer/FireRedTTS3-Instruct-MLX-fp32")
let output = try await model.generateWithPlan(
    text: "The weather is beautiful today.",
    instruction: "A calm adult female voice, speaking warmly.")
let pcm = output.samples
model.unload()

Kortskrivne kjøretidsmålinger

M5 Pro, 48 GiB, Release. Ett kort nøytralt skript per språk; medianer av tre varme forespørsler etter den første. Laste- og vektverifisering er utelukket; filsystembuffere var varme. RTF = veggtid / lyd varighet, lavere er raskere. Fysisk minne er prosessen høy-vann på tvers av lasting og fire forespørsel, i desimal GB.

Valideringsområde

Instruksjonsfølgende kvalitet er uscoret. Kortskrivne målinger beskriver det testede oppsettet; eksisterende modell latens sertifisering forblir inkonclusive.

Nativ instruksjon TTS

Kilder

• FireRedTTS3
• Tale Swift