开源 TTS 模型 OGG 发布:0.75B 参数、8 语言、自带情绪标签
solyarisoftware · x · 2026-11-07
AlphaCEP 团队在 Hugging Face 发布预览版 OGG TTS,一个 0.75B 参数的零样本多语言文本转语音模型。
- 训练数据:约 8200 小时录音室级语音,覆盖英、波兰、西、德、俄、法、葡、意 8 种语言
- 架构:基于 Qwen3-0.6B 初始化的 OmniVoice 骨干,用块扩散(block diffusion)生成 Fish Audio 44.1kHz codec 离散 token;每个 0.74 秒的块并行迭代去掩码生成,块间从左到右拼接,首个块就绪即可流式输出;辅以 axial 多 token 预测声学解码器
- 亮点:默认按语境自然带情绪朗读;支持 24 个内联情绪/腔调/发声标签;几秒参考音频即可零样本克隆音色
- 状态:这是 40 万步预训练中 12 万步的检查点,后续会更新;OGG 是即将发布技术报告中的三种架构(OGG/ROGG/POGG)之一
「多模态」频道最新
- 玻璃罩机械水母图惊艳 X 网友：电子元件变触须 — Kyrannio · 2026-11-07
- OpenAI 发布 GPT Image 2.6 提示词指南，7 条技巧管住图像编辑 — mark_k · 2026-11-07
- HyperFlow H3 Flash 发布：13.7B 少步数模型同时生成视频与立体声 — Apprehensive_Sky892 · 2026-11-07
- anabology 办 Claudia 创作大赛,一首 AI 歌曲洗脑出圈 — AIandDesign · 2026-11-07
- Midjourney v8.2 写实新玩法:完整 prompt 复刻周末晨读漫画的亲密感 — tisch_eins · 2026-11-07
- 周六挑战赛#132:童年动漫角色武士化 AI 生图赛 — LudovicCreator · 2026-11-07