Gepard 1.0 abre o código de um modelo TTS em streaming para diálogo em tempo real

Pesquisadores abriram o código do Gepard 1.0, um modelo de texto-para-fala (TTS) focado em streaming, projetado para conversação em tempo real que gera áudio quadro a quadro conforme o texto chega. O modelo é construído sobre uma base Qwen3.5 0.8B com Nemo NanoCodec e suporta clonagem de voz zero-shot em inglês, espanhol, português e holandês.

• Aproximadamente 555 milhões de parâmetros usando uma base Qwen3.5 0.8B e Nemo NanoCodec (FSQ, 22.05kHz)
• Alcança fator de tempo real de ~20x e ~50ms até o primeiro áudio em uma única RTX 5090 via vLLM
• Suporta até 256 sequências paralelas em uma única RTX Pro 6000 Blackwell com 96GB de VRAM
• Lidera os benchmarks Seed-TTS-eval com um NISQA-MOS de 4.25, superando VoxCPM2, Fish-S2, OmniVoice, Qwen3-TTS, Echo-TTS e Chatterbox Turbo em qualidade percebida
• Licenciado sob Apache 2.0 com código disponível para inferência, serviço vLLM e treinamento

O design focado em streaming prioriza a interação de voz natural em tempo real sobre a similaridade exata do locutor, tornando-o adequado para aplicações onde a baixa latência é mais crítica do que o perfeito casamento de voz.