Traducere automată · Originalul în engleză

Chatterbox Multilingv

Această primă parte Soniqo documente de pagină Chatterbox Multilingual de la local speech-swift / speech-core implementare. Hugging Face pachete sunt legate mai jos după notele de integrare.

Prima pagină internă

Carduri de aterizare și meniuri docs punct acum aici primul; model sursă și link-uri de pachet rămân disponibile de la această pagină.

La o strălucire

Model	Chatterbox Multilingv
Rol	Clonarea vocală multilinguală zero TTS
Platformă	MLX fp16 pe Apple; LiteRT timp implicit-voce runtime în S speech Core
Ieșire	Forma de undă mono 24 kHz
Limbi	23 de limbi
Licență	MIT
Stare	MLX clonarea timpului de funcționare; LiteRT lacom/default-voice runtime pentru desfășurarea de margini
Sursă	Resemble AI Chatterbox
Swift produs	`ChatterboxTTS`
CLI / timpul de funcționare	Programatic speech-swift runtime; LiteRT example CLI in speech-core/exemplu/littert

Utilizare

Fragmentul de mai jos reflectă curentul speech-swift API sau comanda expusă de 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"
)

Modele de legături

Note de punere în aplicare

Descărcarea este împărțită între depozitul principal Chatterbox și depozitul separat S3 tokenizer.
Conducta este T3 jetoane text-la-discurs, S3Gen debit mel decodor, apoi HiFi-GAN / HiFTGenerator vocoder.
Clemele de referință sunt reincluse în 24 kHz pentru S3Gen și 16 kHz pentru condiționarea difuzorului/atenției.
The MLX clone trail and standalone S3Gen sinteze use a echilibrat memory policy: a temporar up-to-512 MiB cache cap and cache clears between stages. Lower caller bugetes are conserved. memoryOptions: .unrestricted skips those generation controls; the shared model-lifetime cap still life life still still applicable.
Flash Core ML utilizări clonare MLX codoare de referinţă-audio pentru a pregăti condiţionarea, apoi rulează exportate T3/S3Gen Core ML grafice. CFG rămâne oprit în mod implicit, cu excepția cazului în care pachetul include t3/NullTextPrefill.mlmodelc; public 192-token capace de export audio Flash de referință se solicită la 6 secunde astfel încât vorbirea generată are loc.
speech-core's LiteRT trailer ships a default voice; fp16 T3 is reccommanded for Arabic quality.