연구원들은 텍스트가 도착하는 대로 프레임별로 오디오를 생성하도록 설계된 실시간 대화용 스트리밍 우선 텍스트-음성 변환 모델인 Gepard 1.0을 오픈소스화했습니다. 이 모델은 Qwen3.5 0.8B 백본과 Nemo NanoCodec을 기반으로 하며, 영어, 스페인어, 포르투갈어, 네덜란드어에 대한 제로샷 음성 복제를 지원합니다.

  • Qwen3.5 0.8B 백본과 Nemo NanoCodec(FSQ, 22.05kHz)을 사용한 약 5억 5500만 개의 파라미터
  • vLLM을 통해 RTX 5090에서 약 20배의 실시간 계수와 약 50ms의 첫 오디오 도달 시간 달성
  • 96GB VRAM이 탑재된 단일 RTX Pro 6000 Blackwell에서 최대 256개의 병렬 시퀀스 지원
  • NISQA-MOS 4.25로 Seed-TTS-eval 벤치마크를 선도하며, VoxCPM2, Fish-S2, OmniVoice, Qwen3-TTS, Echo-TTS, Chatterbox Turbo의 지각 품질을 능가
  • 추론, vLLM 서빙 및 훈련을 위한 코드가 Apache 2.0 라이선스 하에 공개됨

스트리밍 우선 설계는 완벽한 음성 일치보다 낮은 지연 시간이 더 중요한 애플리케이션에 적합하며, 자연스러운 실시간 음성 상호작용을 우선시합니다.