Los investigadores han abierto el código de Gepard 1.0, un modelo de texto a voz (TTS) diseñado principalmente para streaming, pensado para conversaciones en tiempo real que genera audio cuadro por cuadro a medida que llega el texto. El modelo se basa en una arquitectura Qwen3.5 0.8B con Nemo NanoCodec y admite clonación de voz zero-shot en inglés, español, portugués y neerlandés.

  • Aproximadamente 555 millones de parámetros utilizando una arquitectura Qwen3.5 0.8B y Nemo NanoCodec (FSQ, 22.05kHz)
  • Alcanza un factor de tiempo real de ~20x y ~50ms hasta el primer audio en una RTX 5090 mediante vLLM
  • Soporta hasta 256 secuencias paralelas en una sola RTX Pro 6000 Blackwell con 96GB de VRAM
  • Lidera las benchmarks Seed-TTS-eval con un NISQA-MOS de 4.25, superando a VoxCPM2, Fish-S2, OmniVoice, Qwen3-TTS, Echo-TTS y Chatterbox Turbo en calidad percibida
  • Licenciado bajo Apache 2.0 con código disponible para inferencia, servicio con vLLM y entrenamiento

El diseño prioritario de streaming prioriza la interacción de voz natural en tiempo real sobre la similitud exacta del hablante, lo que lo hace adecuado para aplicaciones donde la baja latencia es más crítica que la coincidencia perfecta de voz.