21 Ekim 2026 ÇarşambaSayı № 294
I Model ÇıkışıTopluluk

Phonon Açık Kaynak Oldu: Edge Cihazlarda Çalışabilen 31M ve 40M TTS Modelleri

Gradium, kenar cihazlarda çalışabilecek iki küçük ölçekli Text-to-Speech modeli olan Phonon-31M ve Phonon-40M'yi açık kaynak olarak yayınladı. Modelin bütün inference yığını Rust tabanlı ve CPU, GPU, NPU gibi 10'dan fazla platformu destekliyor. Topluluk, bu kod ve modeller üzerine yeni uygulamalar geliştirmeye davet ediliyor.

Reddit LocalLLaMA kaynağından derlendi · · 1 dk okuma

Orijinal haber ↗
Görsel: Reddit LocalLLaMA

Özetle

  1. 1

    Gradium, Phonon-31M ve Phonon-40M adlı iki küçük ölçekli TTS modelini açık kaynak olarak yayınladı.

  2. 2

    Inference yığını Rust tabanlı ve CPU, GPU, NPU gibi 10'dan fazla backend'i destekliyor.

  3. 3

    Modeller kenar cihazlarda düşük gecikme ve düşük kaynak tüketimiyle çalışacak şekilde tasarlandı.

Gradium, ilk açık kaynak model serisini Phonon adı altında duyurdu. Phonon, 31 milyon ve 40 milyon parametreli iki ayrı Text-to-Speech (TTS) modelinden oluşuyor ve özellikle düşük güç tüketimi ve sınırlı donanım kaynakları olan kenar (edge) cihazlarda gerçek‑zamanlı ses sentezi yapabilmek için tasarlandı.

Modelin inference katmanı tamamen açık kaynak ve Rust diliyle yazılmış; bu sayede CPU, GPU ve NPU gibi ondan fazla farklı donanım arka planında çalıştırılabiliyor. Rust'un düşük seviyeli performans avantajı, ses üretiminde gecikme süresini minimize ederken, geliştiricilere güvenli ve hızlı bir entegrasyon imkanı sunuyor.

Gradium, modelleri Hugging Face Spaces üzerinden erişime açtı ve topluluğa geri bildirim, katkı ve yeni kullanım senaryoları geliştirme çağrısında bulundu. Açık kaynak lisansı, araştırmacıların ve geliştiricilerin modelleri özelleştirmesine, ince ayar yapmasına ve kendi uygulamalarına entegre etmesine olanak tanıyor.

Bu adım, kenar cihazlarda yüksek kaliteli ses sentezi ihtiyacını karşılamak için daha fazla açık kaynak seçeneğin ortaya çıkmasına zemin hazırlıyor. Phonon'un başarısı, gelecekte daha fazla mikro‑modelin ve donanım‑özel optimizasyonların geliştirilmesine öncülük edebilir.

Yöney yorumu

Phonon'un açık kaynak olarak sunulması, kenar tabanlı ses sentezi çözümlerinin yaygınlaşmasını hızlandıracak ve geliştiricilere düşük maliyetli, özelleştirilebilir bir altyapı sağlayacak. Bu, özellikle IoT ve mobil cihazlarda sesli etkileşimlerin artmasıyla birlikte sektörel bir ivme kazandırabilir.

Yapay zekâ tarafından üretilmiştir.
Devamı kaynakta

Bu haber Reddit LocalLLaMA kaynağından derlenip Türkçeye aktarıldı. Ayrıntılar ve orijinal metin için oka tıklayın.

I

Aynı bölümden

Tümü →
I Model Çıkışı

Elevenlabs, Gerçek Zamanlı AI Konuşmaları İçin İki Yeni Speech-to-Speech Modelini Tanıttı

Elevenlabs, gerçek zamanlı yapay zeka sohbetleri için tasarlanmış iki yeni speech-to-speech modeli olan Eleven Realtime v1 Max ve v1 Mini'yi duyurdu. Max modeli, Big Bench Audio testinde %98,8 doğruluk ve 0,57 saniye yanıt süresiyle lider konuma yükselirken, Mini modeli daha düşük maliyetle doğal diyalog akışı sunuyor.

Özetle 3 madde
  1. Eleven Realtime v1 Max, Big Bench Audio testinde %98,8 doğruluk ve 0,57 saniye yanıt süresiyle lider konumda.
  2. v1 Mini, düşük maliyetli ve konuşma sonu algılama yeteneğiyle doğal diyalog akışı sağlıyor.
  3. Modeller, ElevenAgents platformu ve OpenAI‑uyumlu Realtime API üzerinden kullanılabiliyor.

The Decoder1 skor

I Model Çıkışı

Spark-X2.6-4B Modeli Hugging Face'de Yayınlandı

Spark-X2.5-4B'nin üzerine inşa edilen Spark-X2.6-4B, aynı mimariyi korurken post‑training iyileştirmeleriyle kodlama, ajan tabanlı iş akışları ve uzun bağlam performansında belirgin artış sağlıyor. Model, 4 B parametreli açık kaynak modeller arasında en iyi sonuçları elde ederek 9 B parametreli rakipleriyle rekabet edebiliyor.

Özetle 3 madde
  1. Spark-X2.6-4B, aynı mimariyi korurken post‑training iyileştirmeleriyle kodlama ve uzun bağlam performansında büyük artış sağladı.
  2. Model, 4 B parametreli açık kaynak modeller arasında en iyi sonuçları elde ederek 9 B parametreli rakipleriyle rekabet ediyor.
  3. Üç seviyeli "thinking budget" özelliği, akıl yürütme kalitesi, gecikme ve maliyet dengesini dinamik olarak ayarlamaya imkan tanıyor.

Reddit LocalLLaMA

I Model Çıkışı

NVIDIA Cosmos3-H-Dreams: Klinik Cerrahi Simülasyonunda Gerçek Zamanlı Üretken Görüntüleme

NVIDIA, Cosmos3-H-Dreams adlı yeni bir üretken simülatörle klinik cerrahi sahnelerini gerçek zamanlı olarak canlandırıyor. Model, gerçek ameliyat kayıtlarından öğrenerek enzimatik kontrol ve doku deformasyonlarını anlık olarak yansıtıyor ve tek bir RTX PRO 6000 GPU’da çalışabiliyor.

Özetle 3 madde
  1. Cosmos3-H-Dreams, klinik kolesistektomi kayıtlarından öğrenerek gerçek zamanlı, eylem‑koşullu cerrahi sahneler üretebilen ilk üretken simülatör.
  2. Model, 16 milyar parametreli Cosmos3-H-Embodied-Nano temeli üzerine 28 eylem boyutlu bir kontrol setiyle çalışıyor ve tek RTX PRO 6000 GPU’da akıcı bir şekilde çalışıyor.
  3. FlashDreams akış‑inference kütüphanesi ve FadeMem cache‑konsolidasyonu sayesinde uzun roll‑out’larda düşük gecikme ve tutarlı dikkat geçmişi sağlanıyor.

Hugging Face