قام الباحثون بفتح مصدر Gepard 1.0، وهو نموذج تحويل النص إلى كلام (TTS) يعتمد على التدفق المباشر مصمم للمحادثات في الوقت الحقيقي، حيث يولد الصوت إطارًا تلو الآخر مع وصول النص. يُبنى النموذج على العمود الفقري Qwen3.5 0.8B مع Nemo NanoCodec ويدعم استنساخ الصوت بدون تدريب مسبق (zero-shot) عبر الإنجليزية والإسبانية والبرتغالية والهولندية.
- حوالي 555 مليون معلمة باستخدام عمود فقري Qwen3.5 0.8B وNemo NanoCodec (FSQ، 22.05kHz)
- يحقق عامل وقت حقيقي يبلغ حوالي 20x وزمنًا حتى أول صوت يبلغ حوالي 50 مللي ثانية على RTX 5090 واحد عبر vLLM
- يدعم ما يصل إلى 256 تسلسلًا متوازيًا على RTX Pro 6000 Blackwell واحد بذاكرة VRAM سعة 96 جيجابايت
- يتصدر معايير Seed-TTS-eval بتقييم NISQA-MOS يبلغ 4.25، متفوقًا على VoxCPM2 وFish-S2 وOmniVoice وQwen3-TTS وEcho-TTS وChatterbox Turbo في الجودة المدركة
- مرخص بموجب رخصة Apache 2.0 مع توفر الكود للاستنتاج (inference) وخدمة vLLM والتدريب
يعطي التصميم المعتمد على التدفق المباشر الأولوية للتفاعل الصوتي الطبيعي في الوقت الحقيقي بدلاً من التطابق الدقيق للمتحدث، مما يجعله مناسبًا للتطبيقات حيث يكون زمن الوصول المنخفض أكثر أهمية من مطابقة الصوت المثالية.