음성 복제를 지원하는 190만 파라미터짜리 초소형 TTS

스컨소프(Scunthorpe)라고 발음할 수 있음?

왜 AI 기업들은 검열을 당연한 것으로 만들려고 하는 걸까.

난 아직도 Civitai가 조금이라도 선정적이라고 판단되는 거면 LoRA 학습용 인앱 포인트 사용을 막아버린 거 때문에 빡쳐있음. 걔네가 쓰는 뇌 없는 분류 시스템 기준으로는 말이지. 마지막으로 시도했던 건 이미지 40장 정도였는데, 그중 사람 나온 건 15장뿐이었음. 그것도 다들 노출 거의 없는 옷 입고 있었고. 그냥 얼굴이랑 팔뚝 정도만 드러난, 야생에서 입을 법한 평범한 옷차림이었는데. 4분의 1이 어떻게든 너무 선정적이라고 판정받음. 도대체 이 세상이 어떻게 돌아가는 건지 모르겠다.

아, 그러니까 거짓말하는 TTS라는 거네. 뭐, 쓸모없는 것보다 더 최악이네.

우리가 순수한 빛의 영적인 존재가 될 수 있도록 이 단어들을 집단 의식에서 제거해야 한다. 그리고 Pocket TTS와 함께, 우리는 이제 인류 초월의 도구를 손에 넣었다.

도대체 왜 검열을 하는 거임?? 비디오 게임 NPC는 이제 물 건너갔네 ㅋㅋㅋ 완벽했을 텐데...

영어 아닌 언어들은 쓰레기 수준임, 사실상 그냥 영어로 나옴

난 여전히 Kokoro가 더 듣기 좋다고 생각하는데, Kyutai Labs가 한 작업은 꽤 인상적이었음. 로컬에서 돌릴 수 있다는 점을 생각하면 그쪽 speech to speech 모델은 진짜 대단함.

대형 모델 중 일부는 중간에 LLM을 끼고 '음성 대 음성' 모델로 설계된 것 같음. 하지만 순수 TTS 용도라면 5억에서 10억 파라미터 모델 사이에서도 성능 향상이 미미해지기 시작하는데, 왜 그렇게 큰 모델을 쓰는지 모르겠음.

1000억 파라미터짜리 TTS 모델은 존재하지 않는데, 혹시 음성 대 음성 LLM을 말하는 거임? 내가 아는 가장 큰 오픈 소스 TTS 모델은 350억 파라미터인 Drama 3임.

아니, 원래 1억 개 정도였는데 이제 190만 개야. 10억(billion)이 아니라 100만(million)이라고.