В опенсорс вышла MisoTTS 8B — новая модель для генерации и клонирования речи.

Для копирования голоса ей хватает всего 10 секунд записи, а задержка составляет около 110 миллисекунд. Разработчики также сделали упор на передачу эмоций и естественность звучания.

Весь код забираем здесь. Также есть бесплатная демо-версия.