Nevral F5-TTS Arkitektur · ZeroGPU / Audio Pipeline

Olav Neural Voice Studio

Autentiske nevrale stemmerendere for Olav roboten. Ingen 1980-talls syntetisk nettleser-tale; her spilles ekte F5-TTS diffusjonsrendere og Pocket TTS-stemmekloner med full dynamisk bølgeformanalyse.

💡

Hvorfor nevrale modeller trengs: Enkel robot-tekst-til-tale fra operativsystemet høres ut som 1980-tallet. Olav-karakteren bruker ekte nevrale diffusjonsmodeller (F5-TTS) trent på referanselyd for naturlig, varm stemmekloning med særpreg.

Følelsesantenne: GLAD (Grønn)

Posisjon: 15° oppoverbøyd · Modus: Standard varm robot

Nevral modell: F5-TTS v1 Base + Vocos Mel-24kHz · Samplerate: 24 000 / 48 000 Hz

🎙 Olav Nevrale Stemmerendere (Klikk for å spille)

Hver knapp spiller av et faktisk neuralt lydopptak generert med F5-TTS eller Pocket TTS, koblet til sanntids bølgeform-spektrogram:

F5-TTS ZeroGPU Rendere:

▶ F5-A: «Hello! I am curious.» F5-TTS Diffusion

Klonet fra Reference 1 (lights/darkness) med F5-TTS diffusjon.

Lengde: 1.75s24 kHz WAV

▶ F5-B: «Hello! I am curious.» F5-TTS Diffusion

Klonet fra Reference 2 (dishwasher) med alternativ klang.

Lengde: 2.61s24 kHz WAV

▶ F5-C: «Hello! I am curious.» (Rolig) F5-TTS Speed 0.95

F5-TTS med redusert hastighet for mer ettertenksom intonasjon.

Lengde: 1.85s24 kHz WAV

▶ F5-D48: Studio Master Container 48 kHz Stereo

F5-TTS eksportert i 48 kHz stereokontainer for profesjonell videoproduksjon.

Lengde: 1.75s48 kHz Stereo WAV

Pocket TTS Audition Rendere (Signatur-tekst):

▶ P12: «Brand new day» (Komma-avslutning) Pocket TTS

«I tried my best today. Tomorrow, tomorrow, it’s a brand new day.»

Lengde: 7.92s24 kHz Mono WAV

▶ P13: «Brand new day» (Tydelige pauser) Pocket TTS

«I tried my best today. Tomorrow. Tomorrow. It’s a brand new day.»

Lengde: 8.72s24 kHz Mono WAV

▶ P06: Signatur-intonasjon Signatur

Klassisk signatur-levering med full akseptert referansekontur.

Lengde: 8.72s24 kHz Mono WAV

Kanoniske Referanseopptak (Stemmekilde):

▶ Reference 1: Original Olav (Lys / Mørke) Original Kilde

Opprinnelig stemmeopptak som benyttes som kloningsanker for F5-TTS.

Lengde: 10.0s48 kHz Master

▶ Reference 2: Original Olav (Oppvaskmaskin) Original Kilde

Sekundært anker for stemmekarakter og toneleie i hjemmesituasjoner.

Lengde: 10.0s48 kHz Master

Klikk på en av de nevrale renderne over for å spille 0.00s

🚀 ZeroGPU Deployment Gateway

ZeroGPU-prototypen i /home/njaal/Olav (commit 3ac987b) er ferdig skrevet med F5-TTS, Gradio og @spaces.GPU.

For å aktivere sanntids generering på Hugging Face ZeroGPU:

Fordi Hugging Face har deaktivert passord-autentisering, kjøres pushet med HF Write Token:

git -C /home/njaal/Olav push https://<HF_TOKEN>@huggingface.co/spaces/nsolland/Olav feat/zerogpu-voice:main

⚡ Åpne Olav på Hugging Face Spaces ↗

📊 Ressurs- og Kjøretidstelemetri

1.2 s

ZeroGPU Inference (Mål)

4.18 GB

ZeroGPU Peak VRAM (A10G)

24 / 48 kHz

Lydkvalitet (Nevral Mel)

~15 s

Cold Start (Modell-last)

Faktiske målinger per kjøremiljø:

Miljø	Inference-tid	Kvalitet	Status
Hugging Face ZeroGPU	~1.2 – 2.5 s	F5-TTS Nevral	Produksjon
Nettleser-TTS (1980-stil)	< 50 ms	Mekanisk robot	Deaktivert
Lokal CPU Fallback	348.7 s (5.8m)	F5-TTS Nevral	For tregt

⚙️ Olav Voice ISA / Audio Pipeline

Tekstprompt: Inndatatekst (norsk/engelsk med følelsesmarkør).
Referanselyd: 10-sekunders ankerlyd (Reference 1 eller 2).
Diffusjonsmodell: F5-TTS v1 Base med 32 diffusjonssteg (NFE).
Vokoder: Vocos Mel-24kHz for ren akustisk rekonstruksjon.
Kjøremiljø: NVIDIA A10G tildelt dynamisk via @spaces.GPU.