SpeechGPT vs VALL-E

SpeechGPT vous permet de tenir des conversations vocales dans le navigateur en utilisant votre propre clé API OpenAI. Vous tapez ou enregistrez des messages, les envoyez via une interface de chat, et entendez des réponses vocales sans installer de logiciel sur votre ordinateur.

Contrairement aux services TTS hébergés qui intègrent les coûts des modèles dans un abonnement, SpeechGPT fonctionne dans le navigateur et vous facture uniquement via les comptes OpenAI, Azure Speech Services ou Amazon Polly que vous connectez. Cela en fait une option légère pour les développeurs et les apprenants en langues qui disposent déjà d’un accès API et souhaitent une interface simple de chat vocal.

L’interface prend en charge les étiquettes UI en anglais, espagnol et chinois, inclut un bouton d’enregistrement pour la saisie vocale, et stocke les données de session localement dans le navigateur. Elle convient aux développeurs testant des flux de chat vocal, aux apprenants en langues pratiquant des invites orales, et à toute personne souhaitant un client vocal ChatGPT minimaliste sur mobile ou bureau.

VALL-E est un modèle de synthèse vocale de Microsoft Research qui clone la voix d'un locuteur à partir d'un court extrait audio et génère un nouveau discours à partir de texte. Il appartient à la catégorie de la génération audio car il synthétise un discours naturel plutôt que d'éditer des enregistrements existants. La page du projet héberge des exemples audio pour le modèle original VALL-E et ses variantes ultérieures dans la même famille de recherche.

La plupart des systèmes de synthèse vocale régressent directement des formes d'onde continues ou des mél-spectrogrammes. VALL-E considère plutôt la parole comme une tâche de modélisation linguistique conditionnelle sur des codes discrets issus d'un codec audio neuronal. Microsoft l'a entraîné sur environ 60 000 heures de discours en anglais, bien plus que les ensembles de données TTS habituels. Un enregistrement de 3 secondes d'un locuteur inconnu suffit pour une synthèse zéro-shot, et le modèle peut conserver l'émotion et l'ambiance de la pièce présentes dans cet extrait.

La famille VALL-E s'est étendue au-delà du premier article. VALL-E X gère la synthèse vocale zéro-shot multilingue, VALL-E R ajoute un alignement monotone des phonèmes pour une génération de discours plus stable, et VALL-E 2 associe un échantillonnage conscient de la répétition à une modélisation groupée des codes pour atteindre la parité humaine sur les benchmarks LibriSpeech et VCTK. Des variantes comme MELLE, FELLE et PALLE explorent les tokens mél continus et un décodage hybride autoregressif plus parallèle.

Chercheurs, ingénieurs du son et auditeurs curieux utilisent VALL-E pour découvrir ce que les grands modèles linguistiques de codec peuvent faire avant de construire leurs propres chaînes. Les exemples publics sont des démonstrations de recherche, pas une API hébergée que l'on peut intégrer dans un produit sans licence et revue éthique séparées.