Исследователи открыли исходный код Gepard 1.0, потоковой модели преобразования текста в речь (TTS), предназначенной для разговоров в реальном времени и генерирующей аудио по кадрам по мере поступления текста. Модель построена на базе Qwen3.5 0.8B с использованием Nemo NanoCodec и поддерживает клонирование голоса в режиме zero-shot для английского, испанского, португальского и нидерландского языков.

  • Около 555 миллионов параметров на базе Qwen3.5 0.8B и Nemo NanoCodec (FSQ, 22.05kHz)
  • Достигает коэффициента ~20x относительно реального времени и задержки до первого аудио ~50 мс на одном RTX 5090 через vLLM
  • Поддерживает до 256 параллельных последовательностей на одном RTX Pro 6000 Blackwell с 96 ГБ видеопамяти
  • Лидирует в бенчмарках Seed-TTS-eval со значением NISQA-MOS 4.25, превосходя VoxCPM2, Fish-S2, OmniVoice, Qwen3-TTS, Echo-TTS и Chatterbox Turbo по воспринимаемому качеству
  • Распространяется под лицензией Apache 2.0, код доступен для инференса, обслуживания через vLLM и обучения

Потоковая-first архитектура приоритизирует естественное голосовое взаимодействие в реальном времени над точным сходством голоса, что делает её подходящей для приложений, где низкая задержка важнее идеального совпадения голоса.