Gepard 1.0 membuka sumber model TTS streaming untuk dialog waktu nyata

Para peneliti telah membuka sumber Gepard 1.0, sebuah model teks-ke-suara (TTS) yang mengutamakan streaming untuk percakapan waktu nyata yang menghasilkan audio frame demi frame saat teks tiba. Model ini dibangun di atas backbone Qwen3.5 0.8B dengan Nemo NanoCodec dan mendukung kloning suara zero-shot dalam bahasa Inggris, Spanyol, Portugis, dan Belanda.

• Sekitar 555 juta parameter menggunakan backbone Qwen3.5 0.8B dan Nemo NanoCodec (FSQ, 22.05kHz)
• Mencapai faktor waktu nyata sekitar 20x dan waktu hingga audio pertama sekitar 50ms pada satu RTX 5090 melalui vLLM
• Mendukung hingga 256 urutan paralel pada satu RTX Pro 6000 Blackwell dengan VRAM 96GB
• Memimpin benchmark Seed-TTS-eval dengan NISQA-MOS 4.25, mengungguli VoxCPM2, Fish-S2, OmniVoice, Qwen3-TTS, Echo-TTS, dan Chatterbox Turbo dalam kualitas persepsi
• Berlisensi di bawah Apache 2.0 dengan kode tersedia untuk inferensi, layanan vLLM, dan pelatihan

Desain yang mengutamakan streaming memprioritaskan interaksi suara waktu nyata yang alami daripada kesamaan pembicara yang tepat, sehingga cocok untuk aplikasi di mana latensi rendah lebih kritis daripada pencocokan suara yang sempurna.