Hume AI 发布 TADA:一款速度提升 5 倍且无幻听现象的开源移动端语音合成系统

Hume AI 已将其最新的语音生成模型 TADA(文本-声学双对齐)开源。这一基于大型语言模型构建的文本转语音(TTS)系统,采用了创新的文本与声学双对齐架构。该方法显著提升了生成效率和可靠性,并拓展了其实际应用范围。
据官方详细介绍,TADA 在文本令牌与声学表示之间建立了严格的 1:1 同步关系。该架构彻底解决了传统基于 LLM 的 TTS 系统中常见的令牌级内容幻觉问题。在涉及 1,000 多个测试样本的评估中,该模型未出现任何内容幻觉现象。
在性能方面,TADA的音频生成速度比同类LLM TTS系统快五倍以上。其资源利用率也极为出色,每秒音频仅需2-3帧的计算资源。相比之下,传统方案通常需要12.5至75帧。这种高效性使该模型能够在智能手机和边缘设备等低功耗硬件上进行本地推理,从而无需依赖云服务器。
TADA 提供多语言支持,包括中文,其多语言版本基于 Llama3.23B 参数规模。 本次发布包含1B(主要针对英语)和3B多语言预训练模型。在2048个令牌的上下文窗口内,该模型单次处理即可生成约700秒的连续音频。这一能力远超传统解决方案——在相同的令牌限制下,后者通常仅能生成约70秒的音频。
其关键创新在于同步转录功能。在生成语音的同时,模型会并行输出对应的文本转录。这一过程省去了额外的自动语音识别(ASR)步骤,从而实现了文本输出的零延迟。该功能对于实时字幕生成、语音交互系统及内容创作工具尤为重要。
在人类主观评估中,TADA 在自然度和语音相似度两项指标上均位列第二。它超越了多个参数规模更大、训练数据更丰富的系统,展现出极具竞争力的音频质量。
链接:https://huggingface.co/collections/HumeAI/tada
相关文章
Recursive Intelligence 如何在4个月内以40亿美元估值筹集3.35亿美元
初创公司Ricursive Intelligence的联合创始人似乎注定要成为联合创始人。首席执行官安娜·戈迪(Anna Goldie)和首席技术官阿扎莉亚·米尔霍塞伊尼(Azalia Mirhoseini)在人工智能界声名显赫,戈迪向TechCrunch笑称,她们正是那些“收到扎克伯格发来的奇怪邮件、里面提出疯狂邀约”的人工智能工程师之一。(她们最终没有接受这些邀约。) 两人曾共同在谷歌大脑(G
人工智能竞赛不会等待,TechCrunch Disrupt 的 25% 折扣也不会等待
目前每一位投身人工智能领域的创始人都在思考同一个问题:我们的发展速度够快吗?效率够高吗?TechCrunch Disrupt 2026 将让您与那些正在最高层面思考这一关乎存亡问题的行业领军人物共聚一堂。 10月13日至15日,在旧金山,来自OpenAI、英伟达(Nvidia)、Anthropic、微软等公司的领军人物将分享他们的见解,届时数千名初创企业社区成员将齐聚一堂,进行交流。限时优惠:结账
“钱文AI免费版”与机构版:揭穿高价写作骗局
6月25日,中央电视台播出了关于混乱的高考志愿填报市场的一则调查报道,引发了广泛的公众讨论。 报道画面显示,许多高中升学中介机构打着“十年教龄教师”和“教授”等头衔的旗号,收取4,980至12,980元不等的天价费用。 实际上,这些所谓的“资深顾问”往往是入职不到两个月的新员工,甚至是兼职的大学生。他们的“专业方案”都是通过免费的Qwen AI生成的,有些机构甚至直接将Qwen生成的内容加价转卖给
相关专题推荐
评论 (1)
0/500

Hume AI 已将其最新的语音生成模型 TADA(文本-声学双对齐)开源。这一基于大型语言模型构建的文本转语音(TTS)系统,采用了创新的文本与声学双对齐架构。该方法显著提升了生成效率和可靠性,并拓展了其实际应用范围。
据官方详细介绍,TADA 在文本令牌与声学表示之间建立了严格的 1:1 同步关系。该架构彻底解决了传统基于 LLM 的 TTS 系统中常见的令牌级内容幻觉问题。在涉及 1,000 多个测试样本的评估中,该模型未出现任何内容幻觉现象。
在性能方面,TADA的音频生成速度比同类LLM TTS系统快五倍以上。其资源利用率也极为出色,每秒音频仅需2-3帧的计算资源。相比之下,传统方案通常需要12.5至75帧。这种高效性使该模型能够在智能手机和边缘设备等低功耗硬件上进行本地推理,从而无需依赖云服务器。
TADA 提供多语言支持,包括中文,其多语言版本基于 Llama3.23B 参数规模。 本次发布包含1B(主要针对英语)和3B多语言预训练模型。在2048个令牌的上下文窗口内,该模型单次处理即可生成约700秒的连续音频。这一能力远超传统解决方案——在相同的令牌限制下,后者通常仅能生成约70秒的音频。
其关键创新在于同步转录功能。在生成语音的同时,模型会并行输出对应的文本转录。这一过程省去了额外的自动语音识别(ASR)步骤,从而实现了文本输出的零延迟。该功能对于实时字幕生成、语音交互系统及内容创作工具尤为重要。
在人类主观评估中,TADA 在自然度和语音相似度两项指标上均位列第二。它超越了多个参数规模更大、训练数据更丰富的系统,展现出极具竞争力的音频质量。
链接:https://huggingface.co/collections/HumeAI/tada
Recursive Intelligence 如何在4个月内以40亿美元估值筹集3.35亿美元
初创公司Ricursive Intelligence的联合创始人似乎注定要成为联合创始人。首席执行官安娜·戈迪(Anna Goldie)和首席技术官阿扎莉亚·米尔霍塞伊尼(Azalia Mirhoseini)在人工智能界声名显赫,戈迪向TechCrunch笑称,她们正是那些“收到扎克伯格发来的奇怪邮件、里面提出疯狂邀约”的人工智能工程师之一。(她们最终没有接受这些邀约。) 两人曾共同在谷歌大脑(G
人工智能竞赛不会等待,TechCrunch Disrupt 的 25% 折扣也不会等待
目前每一位投身人工智能领域的创始人都在思考同一个问题:我们的发展速度够快吗?效率够高吗?TechCrunch Disrupt 2026 将让您与那些正在最高层面思考这一关乎存亡问题的行业领军人物共聚一堂。 10月13日至15日,在旧金山,来自OpenAI、英伟达(Nvidia)、Anthropic、微软等公司的领军人物将分享他们的见解,届时数千名初创企业社区成员将齐聚一堂,进行交流。限时优惠:结账
“钱文AI免费版”与机构版:揭穿高价写作骗局
6月25日,中央电视台播出了关于混乱的高考志愿填报市场的一则调查报道,引发了广泛的公众讨论。 报道画面显示,许多高中升学中介机构打着“十年教龄教师”和“教授”等头衔的旗号,收取4,980至12,980元不等的天价费用。 实际上,这些所谓的“资深顾问”往往是入职不到两个月的新员工,甚至是兼职的大学生。他们的“专业方案”都是通过免费的Qwen AI生成的,有些机构甚至直接将Qwen生成的内容加价转卖给





首页






