Клонирование голоса за 110 мс — теперь опенсорс

Miso One — open-source модель text-to-speech на 8 миллиардов параметров. 110 мс латентность и one-shot voice cloning. То есть одного сэмпла голоса достаточно, чтобы модель его воспроизвела. Веса лежат на GitHub, можно хостить локально.

Коммерческие TTS-сервисы берут деньги за каждый запрос и держат модели закрытыми. Здесь 8B параметров, которые крутятся на своём железе.