Para peneliti menyajikan TontaubeV1, sebuah model teks-ke-suara yang mempertahankan prosodi alami sambil memungkinkan inferensi streaming dari satu GPU konsumen. Sistem ini menggunakan representasi DualCodec hierarkis pada 12.5 Hz untuk memisahkan aliran semantik dari penyempurnaan akustik, memungkinkan dekode kausal meskipun sifat dasar codec tersebut nonkausal.
- Arsitektur ini menerapkan empat transformer yang diturunkan dari Qwen3 dengan total 2.9B parameter: satu memprediksi aliran semantik dan durasi ucapan, sementara tiga model yang semakin kecil menambahkan penyempurnaan akustik.
- Teks di-tokenisasi per karakter, dengan penanda teks dan audio berpasangan mendukung generasi bentuk panjang melalui konteks terbatas.
- Pada satu RTX 5090, jalur streaming mencapai sekitar 200 ms hingga audio pertama, dengan faktor waktu nyata end-to-end sebesar 0.08 untuk satu input.
- Model ini setara dengan ElevenLabs Flash v2.5 dan mengungguli Fish Audio S2 Pro, Gradium API, serta Cartesia Sonic 3 dalam hal prosodi pada evaluasi LLM-as-a-judge.
Rilis ini menyediakan solusi yang menyeimbangkan kualitas persepsi tinggi dengan latensi rendah, menjadikannya cocok untuk aplikasi waktu nyata pada perangkat keras yang terjangkau.