Les chercheurs ont ouvert Gepard 1.0, un modèle de synthèse vocale (TTS) en streaming conçu pour la conversation en temps réel qui génère l'audio image par image au fur et à mesure que le texte arrive. Le modèle est basé sur un backbone Qwen3.5 0.8B avec Nemo NanoCodec et prend en charge le clonage vocal zero-shot en anglais, espagnol, portugais et néerlandais.

  • Environ 555 millions de paramètres utilisant un backbone Qwen3.5 0.8B et Nemo NanoCodec (FSQ, 22.05kHz)
  • Atteint un facteur temps réel d'environ 20x et un temps jusqu'au premier audio d'environ 50ms sur une RTX 5090 via vLLM
  • Prend en charge jusqu'à 256 séquences parallèles sur une seule RTX Pro 6000 Blackwell avec 96 Go de VRAM
  • Mène les benchmarks Seed-TTS-eval avec un NISQA-MOS de 4.25, surpassant VoxCPM2, Fish-S2, OmniVoice, Qwen3-TTS, Echo-TTS et Chatterbox Turbo en qualité perçue
  • Sous licence Apache 2.0 avec le code disponible pour l'inférence, le service vLLM et l'entraînement

La conception en streaming priorise une interaction vocale en temps réel naturelle plutôt qu'une similarité exacte du locuteur, ce qui la rend adaptée aux applications où une faible latence est plus critique qu'un appariage vocal parfait.