media Hugging Face Forums · há 1 d · fonte: há 3 d · open_models

F-0310 fornece inferência local independente para XTTS-v2 e Qwen 2.5 no Windows

Traduzido do English → Português (BR)

Um novo wrapper de implantação sem dependências chamado F-0310 permite inferência totalmente local e offline para Coqui XTTS-v2 e Qwen 2.5 no Windows sem exigir APIs em nuvem.

A configuração integra o Qwen 2.5 para executar barreiras de segurança locais antes de passar os prompts para o motor de síntese de voz. Ele utiliza o Coqui XTTS-v2 para clonagem de voz zero-shot de alta fidelidade e inclui scripts .bat automatizados para configuração do ambiente. A ferramenta detecta dinamicamente o hardware para alternar os backends de execução entre NVIDIA CUDA, AMD DirectML, Intel Iris/Arc ou fallback para CPU.

Esta solução permite que os usuários executem pipelines multimodais complexos localmente no Windows com adaptação automática de hardware.

Importância 1/3 Confiança 1/3 Hugging Face Forums Local inference Voice & audio

Ler original

F-0310 fornece inferência local independente para XTTS-v2 e Qwen 2.5 no Windows

Um usuário lançou o F-0310, um wrapper sem dependências que permite a implantação totalmente local do Coqui XTTS-v2 e Qwen 2.5 no Windows sem exigir APIs em nuvem.

github llama.cpp · há 37 d · 36 visualizações

llama.cpp b10270 adiciona suporte para Qwen3-TTS com mudanças que quebram o llama-tts

O projeto llama.cpp lançou a versão b10270, introduzindo suporte para o modelo Qwen3-TTS. Esta atualização inclui uma mudança que quebra no binário llama-tts e implementa modificações arquiteturais significativas para lidar com o novo fluxo de trabalho de texto para fala.

media Hugging Face Forums · há 6 h

Aiden propõe dividir a voz em tempo real e a execução de tarefas em modelos separados

Aiden descreve uma arquitetura para agentes que requer conversa de voz full-duplex junto com raciocínio visual complexo e ações do dispositivo, evitando a limitação de um único modelo lidando com ambos. A solução divide as responsabilidades: um modelo de voz em tempo real gerencia a conversa enquanto um modelo separado e mais forte executa tarefas em segundo plano, coordenando-se assincronamente por meio de uma fila de tarefas.

media MarkTechPost · há 1 d · 2 visualizações

Gradium lança Voice Design para gerar vozes sintéticas a partir de prompts de texto

A empresa francesa de IA de voz Gradium lançou o Voice Design, um recurso que gera novas vozes sintéticas a partir de descrições escritas sem exigir áudio de referência. A ferramenta já está disponível na API e no Studio da Gradium em cinco idiomas.

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.