lab Tencent Hunyuan (HF) · há 1 d · releases

Tencent lança modelo base de código aberto AuK para geração e edição de fala

Traduzido do English → Português (BR)

A Tencent tornou disponível como software de código aberto seu modelo base AuK 1.5B para geração e edição de fala, incluindo código e pesos do modelo.

Suporta text-to-speech zero-shot e baseado em instruções, edição de conteúdo e acústica, edição paralinguística, aprimoramento de fala e separação de fontes por meio de uma interface unificada de linguagem natural.
Inclui AuK-Flash, uma variante destilada em 4 etapas para inferência mais rápida.
Utiliza o modelo Qwen2.5-Omni-3B como codificador MLLM.
Lançado sob a Licença MIT com os pesos disponíveis no Hugging Face e ModelScope.

O lançamento permite que pesquisadores e desenvolvedores acessem o modelo base e as variantes destiladas para várias tarefas de processamento de áudio.

Importância 1/3 Confiança 1/3 Tencent Hunyuan (HF) Tencent Open weights Voice & audio

Ler original

Tencent lança o AuK-Flash de código aberto, um modelo de geração de fala destilado de 1.5B

A Tencent disponibilizou o modelo base AuK para geração e edição de fala como código aberto, incluindo código e pesos no Hugging Face e ModelScope. O lançamento inclui o AuK-Flash, uma variante destilada projetada para inferência rápida com apenas 4 etapas.

arxiv arXiv cs.LG · há 1 d · 1 visualização

TontaubeV1 permite streaming de texto-para-fala com contexto limitado

Pesquisadores apresentam o TontaubeV1, um modelo de texto-para-fala que preserva a prosódia natural enquanto permite inferência em streaming a partir de uma única GPU de consumo. O sistema utiliza uma representação DualCodec hierárquica a 12,5 Hz para separar fluxos semânticos de refinamentos acústicos, permitindo geração de baixa latência.

arxiv arXiv cs.CL · há 1 d · 1 visualização

TontaubeV1 permite texto-para-fala em streaming com contexto limitado

Pesquisadores apresentam o TontaubeV1, um modelo de texto-para-fala que preserva a prosódia natural enquanto permite inferência em streaming a partir de uma única GPU de consumo. O sistema utiliza uma representação DualCodec hierárquica a 12.5 Hz para separar fluxos semânticos de refinamentos acústicos, permitindo decodificação causal apesar da natureza não causal do codec subjacente.

arxiv arXiv cs.CL · há 1 d · 3 visualizações

Relatório Técnico do AuK: Um Modelo Fundamental de Código Aberto para Geração e Edição de Fala

O relatório técnico do AuK apresenta um modelo fundamental de código aberto que unifica a geração e edição de fala por meio de instruções em linguagem natural e contexto de áudio.

lab Tencent Hunyuan (HF) · há 3 d · 7 visualizações

Tencent lança EVIE-4.5B com Prefix-MRL dinâmico e compressão de tokens sem treinamento

A Tencent lançou o EVIE-4.5B, um modelo de recuperação visual multilíngue de documentos de alto desempenho que apresenta Prefix-Multivector Retrieval Latency (Prefix-MRL) dinâmico e compressão de tokens Hierarchical Agglomerative Clustering (HAC) sem treinamento.