Edge0 выпустила Audio8-TTS-Realistic — модель синтеза речи с открытыми весами, предназначенную для клонирования голоса по одной референсной аудиозаписи и её текстовой расшифровке. Основная модель содержит 601 млн параметров, поддерживает 23 языка — на 12 больше, чем предыдущая версия, — а код и веса распространяются по лицензии Apache 2.0.

По данным публикации, модель показала среднюю долю ошибок 4,86% на бенчмарке CV3 по девяти языкам против 7,73% у Qwen3-TTS-1.7B. При этом качество различается в зависимости от языка и теста: на тайском показатель WER достиг 48,57%, а на кантонском CER — 31,35%. Для работы рекомендуется CUDA-совместимый графический процессор; пиковое потребление памяти на Apple M2 с INT4 ONNX, согласно статье, составляет 1,1–1,2 ГиБ.

Релиз добавляет открытый инструмент клонирования голоса, который, по заявлению разработчиков, рассчитан на сравнительно недорогую настройку и обслуживание. Публичной ONNX-версии Audio8-TTS-Realistic пока нет; заявленные результаты также показывают, что модель не превосходит более крупные системы по всем тестам.