ÁLVAROMAUREIRA

Hexgrad Presenta Kokoro-82M: Modelo de Síntesis de Voz de 82 Millones de Parámetros con Rendimiento Superior a Tiempo Real

Publicado ·

Hexgrad ha liberado Kokoro-82M, un modelo abierto de síntesis de voz de apenas 82 millones de parámetros que ha sorprendido a la comunidad global de inteligencia artificial al igualar y superar la calidad acústica de modelos comerciales que multiplican por cincuenta su tamaño, ejecutándose a velocidades asombrosas en procesadores comunes.

Eficiencia Acústica Basada en StyleTTS 2

Frente a la tendencia dominante de entrenar modelos de síntesis de audio de miles de millones de parámetros con enormes requerimientos de VRAM, Kokoro-82M adopta y perfecciona los principios arquitectónicos de StyleTTS 2, demostrando que una compresión paramétrica extrema es compatible con el más alto nivel de realismo acústico:

  • Huella de Memoria Minúscula: Con un archivo de pesos de menos de 350 megabytes, el modelo puede residir permanentemente en la memoria de dispositivos embebidos, teléfonos móviles y servidores de bajo costo sin saturar recursos del sistema.

Sigue aprendiendo

Explora los recursos y continúa tu recorrido en la comunidad.

Únete gratis a la comunidad →

Sigue leyendo las noticias clave de IA

  1. Alibaba FunAudioLLM Presenta CosyVoice: Síntesis de Voz Multilingüe y Clonación Cero-Disparo con Control EmocionalAlibaba FunAudioLLM libera CosyVoice, modelo fundacional abierto de síntesis y clonación de voz multilingüe con control fino de emociones y prosodia.Leer análisis completo
  2. Baichuan Presenta Baichuan-Omni: Modelo Multimodal Abierto de Procesamiento de Voz, Video y Texto en Tiempo RealBaichuan presenta Baichuan-Omni, modelo de 7B para comprensión multimodal simultánea de video y voz con latencia de 400 ms e interacción natural.Leer análisis completo
  3. ByteDance Presenta Seed-TTS: Familia de Modelos de Síntesis de Voz con Clonación Cero Muestras y Expresividad HumanaByteDance introduce Seed-TTS, modelo de síntesis de voz con clonación cero muestras en 3 segundos y expresividad emocional humana fotorrealista.Leer análisis completo
  4. F5-TTS Presenta Síntesis de Voz Zero-Shot No Autorregresiva Basada en Flow Matching de Alta FidelidadF5-TTS revoluciona la síntesis de voz mediante Flow Matching no autorregresivo, eliminando alineaciones complejas y logrando clonación ultrarrápida y natural.Leer análisis completo
  5. Fish Audio Presenta Fish-Speech 1.5: Síntesis de Voz Autorregresiva Abierta con Clonación Cero Muestras y Compresión Dual-ARFish Audio lanza Fish-Speech 1.5, modelo abierto de TTS autorregresivo con clonación de voz en segundos, alta fidelidad acústica y soporte multilingüe.Leer análisis completo
  6. Hugging Face Presenta Parler-TTS: Síntesis de Voz Abierta y Expresiva Controlada por Lenguaje NaturalHugging Face libera Parler-TTS, modelo abierto de síntesis de voz guiado por lenguaje natural para controlar tono, prosodia, cadencia y ambiente sonoro.Leer análisis completo
  7. Kyutai Presenta Mimi: Codec de Audio Neuronal Abierto de Ultra Baja Latencia para Modelos de VozKyutai libera Mimi, codec de audio neuronal abierto que combina tokens acústicos y semánticos a 12,5 Hz para síntesis de voz interactiva a baja latencia.Leer análisis completo
  8. Kyutai presenta Moshi: el modelo de voz multimodal en tiempo real con 200 milisegundos de latencia y pesos abiertosKyutai libera Moshi, modelo de diálogo por voz full-duplex con latencia de 200ms, compresión Mimi y pesos abiertos para ejecución en servidores locales.Leer análisis completo
  9. Microsoft Presenta VASA-1: Generación de Avatares Parlantes Fotorrealistas en Tiempo Real a 40 FPS a Partir de Audio y una Sola FotoMicrosoft Research revela VASA-1, un modelo que sintetiza rostros parlantes a 40 FPS en 512x512 con sincronización labial exacta y gesticulación natural.Leer análisis completo
  10. OpenAI Lanza Whisper Large-v3-Turbo: Reconocimiento Automático de Voz Multilingüe con 8x Más Velocidad y Menor Huella de MemoriaOpenAI lanza Whisper Large-v3-Turbo con decodificador de 4 capas para transcripción de voz 8x más rápida y menor consumo de memoria GPU.Leer análisis completo
  11. PygmalionAI Presenta Aphrodite Engine: Motor de Inferencia de Alto Rendimiento con PagedAttention y Batching ContinuoPygmalionAI presenta Aphrodite Engine, motor de inferencia de alto rendimiento con PagedAttention v2, batching continuo y soporte multi-cuantización.Leer análisis completo
  12. Databricks Presenta DBRX: Modelo de Lenguaje MoE de Código Abierto con 132B Parámetros y Eficiencia de InferenciaDatabricks lanza DBRX, modelo MoE abierto de 132B (36B activos) que supera a Llama 2 70B y Mixtral en programación, matemáticas y razonamiento con menor costo.Leer análisis completo
  13. DeepSeek presenta DeepSeek-V3: modelo MoE de 671B parámetros con Multi-Head Latent Attention y costo de entrenamiento de 6 millones de dólaresDeepSeek lanza DeepSeek-V3 (671B MoE), superando a modelos abiertos líderes con arquitectura MLA y un costo de entrenamiento récord de solo $6M.Leer análisis completo
  14. Google Presenta Gecko: Modelo Compacto de Embeddings Semánticos de Alta Eficiencia para DispositivosGoogle presenta Gecko, modelo compacto de embeddings semánticos destilado de LLMs que alcanza alta precisión con una fracción de memoria y latencia.Leer análisis completo
  15. InternLM Presenta LMDeploy: Motor de Inferencia y Compresión Multimodal con Kernels TurboMind y Cuantización AWQInternLM presenta LMDeploy, motor de inferencia y compresión multimodal acelerado por kernels TurboMind en C++ y cuantización AWQ para LLMs y VLMs.Leer análisis completo
  16. Meta Presenta MobileLLM: Optimización de Modelos de Lenguaje Sub-1B para Inferencia Directa en Dispositivos MóvilesMeta introduce MobileLLM, modelos compactos de 125M y 350M diseñados con Deep Equilibrium y compartición de capas para ejecutar IA eficiente en smartphones.Leer análisis completo
Desliza para descubrir las 16 lecturas.16 artículos relacionados