Lar
A Hume AI lança o TADA: um sistema de síntese de voz para dispositivos móveis de código aberto com velocidade 5 vezes maior e sem erros de reprodução

A Hume AI disponibilizou em código aberto seu mais recente modelo de geração de fala, o TADA (Text-Acoustic Dual Alignment). Esse sistema de conversão de texto em fala (TTS), desenvolvido com base em um grande modelo de linguagem, utiliza uma arquitetura inovadora de alinhamento duplo para texto e acústica. Essa abordagem aumenta significativamente a eficiência e a confiabilidade da geração, além de ampliar seu leque de aplicações práticas.
Conforme detalhado oficialmente, o TADA estabelece uma sincronização rigorosa de 1:1 entre tokens de texto e representações acústicas. Essa arquitetura resolve completamente o problema comum de alucinação de conteúdo no nível do token encontrado em sistemas TTS tradicionais baseados em LLM. Em avaliações envolvendo mais de 1.000 amostras de teste, o modelo não apresentou nenhum caso de alucinação de conteúdo.
Em relação ao desempenho, o TADA gera áudio mais de cinco vezes mais rápido do que sistemas TTS LLM comparáveis. Ele também opera com notável eficiência de recursos, exigindo apenas 2 a 3 quadros de recursos computacionais por segundo de áudio. Em contraste, as soluções convencionais normalmente precisam de 12,5 a 75 quadros. Essa eficiência permite que o modelo execute inferência local em hardware de baixo consumo de energia, como smartphones e dispositivos de borda, eliminando a necessidade de servidores em nuvem.
O TADA oferece suporte multilíngue, incluindo chinês, com suas versões multilíngues baseadas na escala de parâmetros do Llama3.23B. O lançamento inclui modelos pré-treinados multilíngues de 1B (principalmente para inglês) e 3B. Com uma janela de contexto de 2.048 tokens, o modelo pode gerar aproximadamente 700 segundos de áudio contínuo em uma única passagem. Essa capacidade supera em muito as soluções tradicionais, que normalmente se limitam a cerca de 70 segundos sob as mesmas restrições de tokens.
Uma inovação fundamental é seu recurso de transcrição síncrona. Ao gerar fala, o modelo produz simultaneamente a transcrição de texto correspondente. Esse processo elimina a necessidade de uma etapa separada e adicional de reconhecimento automático de fala (ASR), resultando em latência zero para a saída de texto. Essa funcionalidade é particularmente valiosa para legendagem em tempo real, sistemas de interação por voz e ferramentas de criação de conteúdo.
Em avaliações subjetivas realizadas por humanos, o TADA alcançou o segundo lugar tanto em naturalidade quanto em similaridade de voz. Ele superou vários sistemas com maior número de parâmetros e dados de treinamento mais extensos, demonstrando uma qualidade de áudio altamente competitiva.
Link: https://huggingface.co/collections/HumeAI/tada
Artigo relacionado
A Seed, da ByteDance, lança campanha global de captação de talentos em campus universitários, oferecendo ações virtuais para conquistar os melhores especialistas em grandes modelos de inteligência artificial
No cenário competitivo dos grandes modelos de linguagem, garantir talentos de alto nível continua sendo o ativo estratégico mais crítico.Em 1º de abril, ByteDance anunciou o lançamento de sua iniciativa global de recrutamento campus Seed, parte de se
Suno para Marcas d'Água em Músicas Durante Batalhas Legais
O Suno, plataforma que permite aos usuários gerar músicas criadas por inteligência artificial, apresentou novas funcionalidades para rotular as faixas produzidas pela plataforma, restringir downloads e atualizar os padrões da comunidade para coibir r
Musk admite que vazamento do código do Grok expôs dados de usuários e promete apagar todas as informações históricas.
Elon Musk abordou diretamente a controvérsia sobre privacidade envolvendo o Grok Build, começando com um simples "Verdadeiro" para confirmar a validade do incidente. Ele prometeu que todos os dados dos usuários carregados anteriormente para a SpaceXA
Recomendações de tópicos especiais relacionados
Comentários (1)

A Hume AI disponibilizou em código aberto seu mais recente modelo de geração de fala, o TADA (Text-Acoustic Dual Alignment). Esse sistema de conversão de texto em fala (TTS), desenvolvido com base em um grande modelo de linguagem, utiliza uma arquitetura inovadora de alinhamento duplo para texto e acústica. Essa abordagem aumenta significativamente a eficiência e a confiabilidade da geração, além de ampliar seu leque de aplicações práticas.
Conforme detalhado oficialmente, o TADA estabelece uma sincronização rigorosa de 1:1 entre tokens de texto e representações acústicas. Essa arquitetura resolve completamente o problema comum de alucinação de conteúdo no nível do token encontrado em sistemas TTS tradicionais baseados em LLM. Em avaliações envolvendo mais de 1.000 amostras de teste, o modelo não apresentou nenhum caso de alucinação de conteúdo.
Em relação ao desempenho, o TADA gera áudio mais de cinco vezes mais rápido do que sistemas TTS LLM comparáveis. Ele também opera com notável eficiência de recursos, exigindo apenas 2 a 3 quadros de recursos computacionais por segundo de áudio. Em contraste, as soluções convencionais normalmente precisam de 12,5 a 75 quadros. Essa eficiência permite que o modelo execute inferência local em hardware de baixo consumo de energia, como smartphones e dispositivos de borda, eliminando a necessidade de servidores em nuvem.
O TADA oferece suporte multilíngue, incluindo chinês, com suas versões multilíngues baseadas na escala de parâmetros do Llama3.23B. O lançamento inclui modelos pré-treinados multilíngues de 1B (principalmente para inglês) e 3B. Com uma janela de contexto de 2.048 tokens, o modelo pode gerar aproximadamente 700 segundos de áudio contínuo em uma única passagem. Essa capacidade supera em muito as soluções tradicionais, que normalmente se limitam a cerca de 70 segundos sob as mesmas restrições de tokens.
Uma inovação fundamental é seu recurso de transcrição síncrona. Ao gerar fala, o modelo produz simultaneamente a transcrição de texto correspondente. Esse processo elimina a necessidade de uma etapa separada e adicional de reconhecimento automático de fala (ASR), resultando em latência zero para a saída de texto. Essa funcionalidade é particularmente valiosa para legendagem em tempo real, sistemas de interação por voz e ferramentas de criação de conteúdo.
Em avaliações subjetivas realizadas por humanos, o TADA alcançou o segundo lugar tanto em naturalidade quanto em similaridade de voz. Ele superou vários sistemas com maior número de parâmetros e dados de treinamento mais extensos, demonstrando uma qualidade de áudio altamente competitiva.
Link: https://huggingface.co/collections/HumeAI/tada
A Seed, da ByteDance, lança campanha global de captação de talentos em campus universitários, oferecendo ações virtuais para conquistar os melhores especialistas em grandes modelos de inteligência artificial
No cenário competitivo dos grandes modelos de linguagem, garantir talentos de alto nível continua sendo o ativo estratégico mais crítico.Em 1º de abril, ByteDance anunciou o lançamento de sua iniciativa global de recrutamento campus Seed, parte de se
Suno para Marcas d'Água em Músicas Durante Batalhas Legais
O Suno, plataforma que permite aos usuários gerar músicas criadas por inteligência artificial, apresentou novas funcionalidades para rotular as faixas produzidas pela plataforma, restringir downloads e atualizar os padrões da comunidade para coibir r
Musk admite que vazamento do código do Grok expôs dados de usuários e promete apagar todas as informações históricas.
Elon Musk abordou diretamente a controvérsia sobre privacidade envolvendo o Grok Build, começando com um simples "Verdadeiro" para confirmar a validade do incidente. Ele prometeu que todos os dados dos usuários carregados anteriormente para a SpaceXA











