Клонируем голос за несколько секунд — появилась модель LuxTTS, лёгкая нейросеть для синтеза речи, которая может копировать голос по короткому аудиофайлу.

Работает всё просто: достаточно дать модели несколько секунд записи человека, после чего она сможет читать любой текст тем же голосом. При этом звучание довольно реалистичное — качество достигает 48 кГц, как у обычной студийной записи.

Отдельно выделяется скорость: модель генерирует речь примерно в 150 раз быстрее реального времени. Минутный текст она может озвучить практически мгновенно.

При этом нейросеть очень лёгкая — ей требуется меньше 1 ГБ видеопамяти, поэтому запускать её можно локально даже на обычном ПК или ноутбуке.

Забираем тут