Awtomatikong salin · Orihinal sa Ingles

Chatterbox Multilingual

Ang unang-party Soniqo page na ito ay nagpapatunay ng Chatterbox Multilingual mula sa lokal na speech-swift / speech-core pagpapatupad. Hugging Face na mga bungkos ay nakaugnay sa ilalim pagkatapos ng mga notasyon.

Panloob na Pahina Muna

Una na ngayong binabanggit dito ng mga landing card at docs menus ang tungkol dito; ang mga kawing ng source model at bround ay nananatiling makukuha mula sa pahinang ito.

Sa Isang Kaningningan

Huwaran	Chatterbox Multilingual
Ang Papel	Multilingual sero-shot na tinig-cloning TTS
Likod	MLX fp16 on Apple; LiteRT default-voice runtime sa Speech Core
Ilabas	24 kHz mono waveform
Wika	23 wika
Lisensiya	MIT
Kalagayan	MLX cloning runtime; LiteRT Ang mga sakim/default-voice runtime para sa mga deal depositions
Pinagmumulan	Resemble AI Chatterbox
Swift produkto	`ChatterboxTTS`
CLI / Oras ng pagtakbo	Programmatic speech-swift runtime; LiteRT halimbawa CLI sa speech-core/examples/litert

Gamitin

Ang snippet sa ibaba ng salamin ang kasalukuyang speech-swift API o utos na inilantad ng 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"
)

Mga Kaugnayan sa Modelo

Mga Nota ng Pag - iisa

Ang mga download ay nahahati sa pagitan ng pangunahing Chatterbox brock at ang hiwalay na S3 tomatizer reposition.
Ang Pipeline ay T3 text-to-speech tokens, S3Gen flow mel decoder, pagkatapos ay HiFi-GAN / HiFTGenerator vocoder.
Ang mga reference clip ay ini-resulta sa 24 kHz para sa S3Gen at 16 kHz sa speaker/token conditioning.
Ang MLX clone path at standalone S3Gen Ang synthesis ay gumagamit ng isang balanseng patakaran sa memorya: isang pansamantalang up-to-512 MiB cache cap at cache ay nag-iingat sa pagitan ng mga yugto. Lower call called budgets. memoryOptions: .unrestricted lagess ang mga kontrol ng henerasyong iyon; ang kabahaging model-time repture pa rin.
Ang Flash Core ML cloning ay gumagamit ng MLX reference-audio regulators upang ihanda ang conditioning, pagkatapos ay tumatakbo ang importang T3/S3Gen Core ML graps. Ang CFG ay nananatiling walang bayad sa pamamagitan ng default malibang ang bungkos ay isama ang brock t3/NullTextPrefill.mlmodelc; ang publikong 192-token audio caps export explorer sa 6 segundo kaya ang nalikhang pagsasalita ay may puwang.
speech-core's LiteRT path ships a default voice; fp16 T3 ay inirerekomenda para sa katangiang Arabe.