研究者らは、テキストの到着に合わせてフレームごとにオーディオを生成するリアルタイム会話向けのストリーミングファーストな音声合成モデルであるGepard 1.0をオープンソース化した。このモデルはQwen3.5 0.8BバックボーンとNemo NanoCodecを搭載し、英語、スペイン語、ポルトガル語、オランダ語でゼロショット音声クローニングをサポートする。

  • Qwen3.5 0.8BバックボーンとNemo NanoCodec（FSQ、22.05kHz）を使用した約5億5500万パラメータ
  • vLLM経由のRTX 5090でリアルタイム係数約20倍、初音出力までの時間約50msを達成
  • 96GB VRAM搭載の単一RTX Pro 6000 Blackwell上で最大256並列シーケンスをサポート
  • NISQA-MOS 4.25でSeed-TTS-evalベンチマークをリードし、VoxCPM2、Fish-S2、OmniVoice、Qwen3-TTS、Echo-TTS、Chatterbox Turboの知覚品質を上回る
  • Apache 2.0ライセンスの下、推論、vLLMサービング、トレーニング用のコードが公開されている

ストリーミングファーストな設計は、完璧な音声一致よりも低レイテンシがより重要であるアプリケーションに適しており、自然なリアルタイム音声対話を優先する。