Interesting that Elevenlabs makes dots at ends

#ai #asr

holy shit

https://arxiv.org/pdf/2410.03930

#ai #asr

Published different RAD-TTS models I've made years ago for Ukrainian to Hugging Face:

https://huggingface.co/Yehor/radtts-uk

A space for RAD-TTS++ model:

https://huggingface.co/spaces/Yehor/radtts-uk-demo

#ai #speech #tts

How HF space server looks like

Understanding Hugging Face platform and their ZeroGPUs

#ai

Now my space for Ukrainian Text-to-Speech uses GPU, so the generation is fast.

Use here: https://huggingface.co/spaces/Yehor/radtts-uk-demo

#ai #speech #tts

A new logo in Grok?

Added BigVGAN v2 vocoder:

https://huggingface.co/spaces/Yehor/radtts-uk-bigvgan-demo

Added Vocos vocoder:

https://huggingface.co/spaces/Yehor/radtts-uk-vocos-demo

Коротше я протестував той елевенлабс ASR. Він дуже дуже гарно розпізнає, якщо брати якісну аудіокнигу то там 100% все правильно, але є одна велика проблема. Він не розпізніє літеру Ґ і замість неї постійно пише Г. Також там тейм стемпи тоже дуже добрі але не такі ідеальні і деколи не попападають. На музиці він працює також добре, але слова які не є літературні може не вгадати і таймінги гірші на музиці.

Now I am working on refactoring of RAD-TTS++ inference code to latest torch here:

https://huggingface.co/spaces/Yehor/radtts-uk-vocos-demo

Code is about 2 years old and I wanted to test how it works on MPS device (Apple M cores).

Inference works on MPS, but not all ops are supported:

.../torch/nn/functional.py:5561: UserWarning: The operator 'aten::col2im' is not currently supported on the MPS backend and will fall back to run on the CPU. This may have performance implications. (Triggered internally at /Users/runner/work/pytorch/pytorch/pytorch/aten/src/ATen/mps/MPSFallback.mm:14.)

By the way, RAD-TTS++ and Vocos are super fast on CPU in MacOS.

#ai #torch #ml

No warnings now

Cleaned the codebase, now it's all you need to do Ukrainian Text-to-Speech