Gradium и автори от Hugging Face публикуваха на 5 ноември технически преглед на Phonon, семейство малки модели за синтез на реч. Текстът изрично описва първите две седмици след отварянето на моделите. Следователно това не е нов старт на продукта днес. Поводът за нашия авторски разбор е по-подробният поглед към локалната обработка и интеграцията ѝ в приложения.
Изберете конкретен модел, а не само име на семейство
Публичната карта на Phonon 31m описва английски модел с Apache 2.0 лиценз, 24 kHz моно звук и квантизирани тегла с размер 64,5 MB. Посочените 31 милиона параметъра не включват аудио токенизатора. Това е полезно разграничение при оценка на общия пакет, който трябва да се достави на потребителя.
Картата на Phonon 40m Multilingual посочва английски, френски, немски, испански и португалски, но лицензът е CC BY-NC 4.0. Достъпът до файловете изисква приемане на условията в Hugging Face. Български не е сред изброените езици. Отворено видима карта на модел и разрешение за всяка търговска употреба са различни неща; екипът трябва да избере подходящия вариант преди включване в продукт.
Офлайн работа има и етап на подготовка
Хранилището xn-ptts съдържа Rust среда за изпълнение, която не изисква PyTorch, и интеграции за различни платформи. По подразбиране част от инструментите изтеглят и кешират модела при първо използване. Локална папка с предварително подготвени файлове е отделен вариант. Следователно обещанието за работа без мрежа трябва да се проверява след доставянето на необходимите ресурси, а не само при вече затоплен демонстрационен екземпляр.
В практичен редакционен пример приложение за инструкции в склад може да трябва да прочете съобщение при липса на връзка. Пилотната проверка би започнала на чисто устройство: наличен ли е моделът, избран ли е правилният глас и какво вижда човекът, ако подготовката е прекъсната? Това не е проведен от SIExpo тест. То е критерий за приемане на конкретна интеграция, която не бива да показва готовност само защото бутонът за звук е наличен.
Потокът от звук и завършеното изречение
Документацията на Transformers описва последователно генериране на аудио представяния, които процесорът декодира до звук. Това обяснява защо начало на възпроизвеждането и готовност на целия запис са различни моменти. За интерфейса нашата препоръка е да се наблюдават и двата: човек може да чуе началото бързо, но да чака останалата част или да поиска прекъсване.
При оценяване бихме проверили също числа, продуктови означения и изречения с необичайна пунктуация от действителното приложение. Приятен демонстрационен глас не установява правилно произнасяне на конкретни имена. Нито компактният файл сам по себе си показва използваната работна памет, разхода на батерия или поведението при едновременно натоварване. Тези въпроси изискват измерване върху избраното устройство.
За потребителски пилот бихме записали малък повтаряем набор от реални инструкции и бихме помолили слушателите да разпознаят важните подробности, без да виждат текста. Въпросът е дали съобщението е предадено правилно, включително означение, което променя действието. Бихме пазили и грешните произнасяния за повторна проверка след обновяване. Това е предложен редакционен метод за оценка, а не отчетен резултат на Phonon.
Какво могат да кажат класациите
Методиката на Open TTS Leaderboard разглежда отделно разбираемост, скорост и естественост; има и слушане и сравняване на записи. Един показател не обобщава всички качества на гласа. Не пренасяме фирмено твърдение за първенство в универсална препоръка и не съобщаваме собствен сравнителен резултат.
За внедряване бихме записали версията на модела, езика, гласа, устройството и условията на изпитване. Добрата приемателна проверка включва и отказ: липсващ ресурс, невалиден вход или прекъсната заявка трябва да доведат до разбираемо състояние. Стойността на локалния синтез е възможността приложенията да говорят без постоянна облачна заявка. Дали това е подходящо за конкретен продукт зависи от качеството, правата за употреба и завършения потребителски процес.
