Kyutai ha presentato versioni più piccole del suo modello di sintesi vocale Pocket TTS, che scendono fino a 1,9 milioni di parametri mantenendo la funzione di clonazione della voce. Il modello originale contava circa 100 milioni di parametri, ed era già abbastanza leggero da girare su CPU in tempo reale.
La famiglia ora comprende tre varianti. La più grande, da 18,2 milioni di parametri, mantiene la qualità del modello originale. Una versione intermedia da 6,9 milioni è pensata per un equilibrio tra dimensioni e resa. La più piccola, da 1,9 milioni, è la più sorprendente: secondo Kyutai gira a 103 volte la velocità del tempo reale su un singolo core di CPU.
La clonazione funziona con un campione di circa 5 secondi di audio. Il modello riproduce timbro, emozione, accento, cadenza e persino le condizioni acustiche della registrazione, come riverbero e microfono. Il codice è disponibile su GitHub e il progetto può essere provato anche nel browser tramite servizi come OfflineTTS, che permettono di registrare o caricare un clip per creare una copia locale della voce.
Per chi segue il TTS locale, il dato più rilevante è il rapporto tra dimensioni e prestazioni. Con un modello di 1,9 milioni di parametri, la sintesi vocale diventa praticabile su dispositivi con risorse minime, senza dipendere da un servizio cloud. Un percorso simile era già emerso con Sopro, che puntava sulla pulizia delle voci clonate restando su un modello leggero, mentre Gradium aveva scelto la strada dei modelli open sotto i 50 milioni di parametri, costruiti proprio sulla base di Pocket TTS e del codec Mimi di Kyutai.
La stessa facilità di clonazione riapre però la questione del consenso. Il tema è già al centro del dibattito sulla clonazione vocale locale con Qwen3-TTS, dove un clip di pochi secondi basta per riprodurre una persona.
Ancora nessun commento. Puoi essere il primo!