media Hugging Face Forums · hace 1 d · fuente: hace 3 d · open_models

F-0310 proporciona inferencia local independiente para XTTS-v2 y Qwen 2.5 en Windows

Traducido del English → Español

Un nuevo envoltorio de implementación sin dependencias llamado F-0310 permite la inferencia completamente local y sin conexión para Coqui XTTS-v2 y Qwen 2.5 en Windows sin requerir APIs en la nube.

La configuración integra Qwen 2.5 para ejecutar barreras de seguridad locales antes de pasar los prompts al motor de síntesis de voz. Utiliza Coqui XTTS-v2 para clonación de voz zero-shot de alta fidelidad e incluye scripts .bat automatizados para la configuración del entorno. La herramienta detecta dinámicamente el hardware para cambiar los backends de ejecución entre NVIDIA CUDA, AMD DirectML, Intel Iris/Arc o fallback a CPU.

Esta solución permite a los usuarios ejecutar pipelines multimodales complejos localmente en Windows con adaptación automática de hardware.

Importancia 1/3 Confianza 1/3 Hugging Face Forums Local inference Voice & audio

Leer original

F-0310 proporciona inferencia local independiente para XTTS-v2 y Qwen 2.5 en Windows

Un usuario ha lanzado F-0310, un envoltorio sin dependencias que permite el despliegue completamente local de Coqui XTTS-v2 y Qwen 2.5 en Windows sin necesidad de APIs en la nube.

github llama.cpp · hace 37 d · 36 vistas

llama.cpp b10270 añade soporte para Qwen3-TTS con cambios disruptivos en llama-tts

El proyecto llama.cpp lanzó la versión b10270, introduciendo soporte para el modelo Qwen3-TTS. Esta actualización incluye un cambio disruptivo en el binario llama-tts e implementa modificaciones arquitectónicas significativas para manejar el nuevo flujo de trabajo de texto a voz.

media Hugging Face Forums · hace 6 h

Aiden propone dividir la voz en tiempo real y la ejecución de tareas en modelos separados

Aiden describe una arquitectura para agentes que requiere conversación de voz full-duplex junto con razonamiento visual complejo y acciones del dispositivo, evitando la limitación de un único modelo que maneje ambas cosas. La solución divide las responsabilidades: un modelo de voz en tiempo real gestiona la conversación mientras un modelo separado y más potente ejecuta tareas en segundo plano, coordinándose asíncronamente a través de una cola de tareas.

media MarkTechPost · hace 1 d · 2 vistas

Gradium lanza Voice Design para generar voces sintéticas a partir de descripciones de texto

La empresa parisina de IA de voz Gradium ha lanzado Voice Design, una función que genera nuevas voces sintéticas a partir de descripciones escritas sin necesidad de audio de referencia. La herramienta ya está disponible en la API y Studio de Gradium en cinco idiomas.

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.