Xiaomi, OmniVoice adlı açık yapay zeka modelini başlattı; bu model neredeyse tüm dillerde metinleri seslendirebiliyor ve sesleri kopyalayabiliyor.

Xiaomi, OmniVoice adlı açık yapay zeka modülünü tanıttı

Şirket, metni sese dönüştüren Yapay Zeka modeli OmniVoice'un lansmanını duyurdu. Ses sentezinin yüzlerce dilde yapılmasının yanı sıra model ses klonlama ve kullanıcı ayarlarına göre telaffuz üretme yeteneğine de sahip.

OmniVoice’da Yeni Neler Var?
Özellik Açıklama Diller 200’den fazla dili destekliyor, nadir ve düşük verimli dilleri de kapsıyor. 10 saatten az veriyle bile model “herhangi bir dilde” konuşma üretebiliyor. Kalite testlerinde 102 dilde ses netliği insan seviyesine eşit veya bazı durumlarda onu aşmıştı. 24 dilde model, birkaç ticari sistemin benzerlik ve netlik açısından gerisinde kalmıştı. Mimari Tek katmanlı çift yönlü transformer ağı, ara token tahmin modülleri olmadan çalışıyor. Bu sayede eğitim süresi 100 000 saat veri için sadece bir gün oluyor ve PyTorch’da gerçek zamanın 40× hızıyla inference sağlanabiliyor. Teknolojiler • “Ses Kodlarının Rastgele Gizlenmesi” – eğitimi hızlandırır. • Önceden eğitilmiş büyük dil modeli entegrasyonu, telaffuz ve netliği iyileştirir.

Pratik Yetenekler
1. Ses Klonlama
- Yaş, cinsiyet, ton, aksan, lehçe gibi tanımlanan özelliklere göre ses üretimi.
- Referans audio olmadan fısıltı ve diğer stilistik varyasyonlar oluşturma imkanı.

2. Kaynak Kayıt İşleme
- Gürültüyü kaldırma ve kusurlu dosyalardan bile temiz ses özellikleri çıkarma.

3. İntonasyon Yönetimi
- Doğal bir duygu için hıçkırık, gülme gibi ince detaylar ekleme.

4. Telaffuzun Kesin Düzeltmesi
- Çok sesli Çince karakterler veya İngilizce özel isimler gibi karmaşık seslerin manuel ayarlanması.

Sonuç
OmniVoice, mevcut ticari ses sentez sistemlerine güçlü bir alternatif sunuyor. Basit tasarımı, yüksek eğitim ve inference hızı ile geniş özelleştirme olanakları sayesinde model, tüketici uygulamaları ve servisleri için entegrasyona hazır.