lab Tencent Hunyuan (HF) · hace 1 d · releases

Tencent lanza el modelo base de código abierto AuK para generación y edición de voz

Traducido del English → Español

Tencent ha puesto a disposición como software de código abierto su modelo base AuK 1.5B para generación y edición de voz, incluyendo código y pesos del modelo.

Soporta text-to-speech zero-shot e instruido, edición de contenido y acústica, edición paralingüística, mejora de voz y separación de fuentes mediante una interfaz unificada de lenguaje natural.
Incluye AuK-Flash, una variante destilada en 4 pasos para inferencia más rápida.
Utiliza el modelo Qwen2.5-Omni-3B como codificador MLLM.
Publicado bajo la Licencia MIT con los pesos disponibles en Hugging Face y ModelScope.

El lanzamiento permite a investigadores y desarrolladores acceder al modelo base y a las variantes destiladas para diversas tareas de procesamiento de audio.

Importancia 1/3 Confianza 1/3 Tencent Hunyuan (HF) Tencent Open weights Voice & audio

Leer original

Tencent lanza AuK-Flash de código abierto, un modelo de generación de voz destilado de 1.5B

Tencent ha hecho disponible el modelo base AuK para la generación y edición de voz como código abierto, incluyendo el código y los pesos en Hugging Face y ModelScope. El lanzamiento incluye AuK-Flash, una variante destilada diseñada para una inferencia rápida con solo 4 pasos.

arxiv arXiv cs.LG · hace 1 d · 1 vista

TontaubeV1 permite texto-a-voz en streaming con contexto acotado

Los investigadores presentan TontaubeV1, un modelo de texto-a-voz que preserva la prosodia natural mientras habilita inferencia en streaming desde una única GPU de consumo. El sistema utiliza una representación DualCodec jerárquica a 12.5 Hz para separar flujos semánticos de refinamientos acústicos, permitiendo generación de baja latencia.

arxiv arXiv cs.CL · hace 1 d · 1 vista

TontaubeV1 permite texto-a-voz en streaming con contexto acotado

Los investigadores presentan TontaubeV1, un modelo de texto-a-voz que preserva la prosodia natural mientras habilita inferencia en streaming desde una única GPU de consumo. El sistema utiliza una representación DualCodec jerárquica a 12.5 Hz para separar las secuencias semánticas de los refinamientos acústicos, permitiendo la decodificación causal a pesar de la naturaleza no causal del códec subyacente.

arxiv arXiv cs.CL · hace 1 d · 3 vistas

Informe técnico de AuK: un modelo fundamental de código abierto para la generación y edición de voz

El informe técnico de AuK presenta un modelo fundamental de código abierto que unifica la generación y edición de voz mediante instrucciones en lenguaje natural y contexto de audio.

lab Tencent Hunyuan (HF) · hace 3 d · 7 vistas

Tencent lanza EVIE-4.5B con Prefix-MRL dinámico y compresión de tokens sin entrenamiento

Tencent ha lanzado EVIE-4.5B, un modelo de recuperación visual de documentos multilingüe de alto rendimiento que cuenta con Recuperación de Latencia Multivectorial Dinámica de Prefijo (Prefix-MRL) y compresión de tokens mediante Agrupamiento Aglomerativo Jerárquico (HAC) sin necesidad de entrenamiento.