Silencio-2: легкая TTS-модель с управлением эмоциями и звуками (~20x скорость на CPU)

Представлена открытая модель синтеза речи Silencio-2 объемом 18 млн параметров, являющаяся дообучением Pocket TTS. Модель поддерживает генерацию эмоций и звуковых эффектов через теги в тексте, работает в реальном времени на CPU без GPU и позволяет клонировать голос по короткой записи.