انقلاب اوللاما در مک. تبدیل متن به گفتار محلی رایگان با صداهای هوش مصنوعی بسیار طبیعی

ادغام مدل جدید فونون در برنامه بودنتوانایی تولید صداهای هوش مصنوعی کاملاً طبیعی را در مک به ارمغان می آورد و به شما امکان می دهد متون خود را به صورت محلی در دستگاه بدون نیاز به خدمات ابری یا پرداخت اشتراک، به گفتار تبدیل کنید.

به گزارش بخش اخبار فناوری خبرجو به نقل از Digital Trends، اپلیکیشن های گفتار به متن اپ استور را پر کرده و تایپ در سیستم عامل مک را بیش از پیش با استفاده از صوت آسان کرده است. من قبلاً یکی از این برنامه ها را به نام TypeWhisper معرفی کرده ام. با این حال، ما همیشه با کمبود مدل‌های خوب برای تبدیل متن به گفتار (Text-to-Speech) مواجه بوده‌ایم و بیشتر نمونه‌های باکیفیت پشت دیوارهای پرداخت اشتراک قفل شده‌اند.

برنامه بودنیک برنامه منبع باز که به شما امکان می دهد مدل های هوش مصنوعی محلی را روی رایانه خود اجرا کنید، هدف آن تغییر آن است. این نرم‌افزار روی سیستم‌عامل‌های macOS، Windows و Linux کار می‌کند و درخواست‌ها و داده‌های ورودی شما هرگز ذخیره نمی‌شوند و برای آموزش هوش مصنوعی استفاده نمی‌شوند.

نرم افزار Olama چگونه این چالش را حل می کند؟

Ollama اکنون از مدل‌های تبدیل متن به گفتار در مک پشتیبانی می‌کند و از مدل Phonon شروع می‌شود. مدل Phonon که توسط Gradium ایجاد شده است، خانواده ای از مدل های کوچک هوش مصنوعی است که می تواند هر متنی را مستقیماً در سیستم مک شما به گفتار تبدیل کند. پشتیبانی از سیستم عامل های ویندوز و لینوکس نیز به زودی منتشر خواهد شد.

صداهای ارائه شده در وبلاگ رسمی اوللاما بسیار طبیعی به نظر می رسند. شما می توانید از میان صداهایی مانند زوئی، ایستون، فریا و هیو با لهجه های آمریکایی و بریتانیایی انتخاب کنید. علاوه بر انگلیسی، مدل‌های جداگانه‌ای برای فرانسوی، آلمانی، اسپانیایی و پرتغالی نیز در دسترس است.

سرعت پردازش نیز نباید مشکلی ایجاد کند. به لطف چارچوب MLX اپل، اولاما ادعا می کند که مدل Phonon در مک بوک پرو مجهز به M5 Max تا 35 درصد سریعتر از زمان اجرا اختصاصی Gradium کار می کند، بدون اینکه ذره ای دقت را از دست بدهد.

چگونه می توان از این ویژگی هوش مصنوعی استفاده کرد؟

می‌توانید مدل Phonon را با یک Chat Model ترکیب کنید تا پاسخ‌های متنی آن به‌طور زنده با صدای بلند خوانده شوند. پخش صدا بلافاصله پس از تولید اولین جمله شروع می شود، بنابراین لازم نیست منتظر کامل شدن پاسخ متن باشید.

برای شروع، به یک سیستم مک با پردازنده Apple Silicon و نرم افزار Olama نسخه 0.40.11 یا بالاتر نیاز دارید. فقط مدل Phonon را بکشید و همه چیز آماده کار خواهد بود. توجه داشته باشید که اگرچه مدل انگلیسی تحت مجوز Apache 2.0 برای استفاده تجاری و رایگان ارائه شده است، مدل های فرانسوی، آلمانی، اسپانیایی، پرتغالی و چند زبانه به استفاده غیرتجاری محدود می شوند.