शोधकर्ताओं ने Gepard 1.0 को ओपन-सोर्स किया है, जो एक स्ट्रीमिंग-फर्स्ट टेक्स्ट-टू-स्पीच मॉडल है जो रियल-टाइम संवाद के लिए डिज़ाइन किया गया है और टेक्स्ट आने पर फ्रेम-दर-फ्रेम ऑडियो उत्पन्न करता है। इस मॉडल का निर्माण Qwen3.5 0.8B बैकबोन, Nemo NanoCodec और वॉइस क्लोनिंग के लिए किया गया है जो अंग्रेजी, स्पैनिश, पुर्तगाली और डच भाषाओं में ज़ीरो-शॉट वॉइस क्लोनिंग का समर्थन करता है।
- Qwen3.5 0.8B बैकबोन और Nemo NanoCodec (FSQ, 22.05kHz) का उपयोग करके लगभग 555 मिलियन पैरामीटर
- एक RTX 5090 पर vLLM के माध्यम से ~20x रियल-टाइम फैक्टर और ~50ms टाइम-टू-फर्स्ट-ऑडियो प्राप्त करता है
- 96GB VRAM के साथ एकल RTX Pro 6000 Blackwell पर 256 समानांतर अनुक्रमों तक का समर्थन करता है
- NISQA-MOS 4.25 के साथ Seed-TTS-eval बेंचमार्क में अग्रता प्राप्त करता है, जो सुने गए गुणवत्ता में VoxCPM2, Fish-S2, OmniVoice, Qwen3-TTS, Echo-TTS और Chatterbox Turbo को पराजित करता है
- Apache 2.0 के तहत लाइसेंस किया गया है जिसमें इनफरेंस, vLLM सर्विंग और प्रशिक्षण के लिए कोड उपलब्ध है
स्ट्रीमिंग-फर्स्ट डिज़ाइन सटीक वक्ता समानता की तुलना में प्राकृतिक रियल-टाइम वॉइस इंटरैक्शन को प्राथमिकता देता है, जिससे यह उन अनुप्रयोगों के लिए उपयुक्त है जहाँ कम लेटेंसी पूर्ण वॉइस-मैचिंग की तुलना में अधिक महत्वपूर्ण होती है।