انقلاب Ollama در مک؛ تبدیل متن به گفتار محلی و رایگان با صداهای هوش مصنوعی بسیار طبیعی

ادغام مدل جدید Phonon در برنامه Ollama، قابلیت تولید صداهای هوش مصنوعی کاملاً طبیعی را به مک آورده است و به شما اجازه می‌دهد بدون نیاز به سرویس‌های ابری یا پرداخت اشتراک، متن‌های خود را به‌صورت محلی در دستگاه به گفتار تبدیل کنید.

به گزارش بخش اخبار فناوری زوم تک به نقل از Digital Trends، اپلیکیشن‌های تبدیل گفتار به متن (Speech-to-text) فروشگاه اپ استور را پر کرده‌اند و تایپ کردن در سیستم‌عامل مک را تنها با استفاده از صدا، راحت‌تر از هر زمان دیگری ساخته‌اند. من پیش از این یکی از این برنامه‌ها به نام TypeWhisper را معرفی کرده بودم. با این حال، همواره با کمبود مدل‌های خوب برای تبدیل متن به گفتار (Text-to-speech) مواجه بوده‌ایم و اکثر نمونه‌های باکیفیت نیز پشت دیوارهای پرداخت اشتراک قفل شده‌اند.

برنامه Ollama، یک اپلیکیشن متن‌باز (Open-Source) که به شما امکان می‌دهد مدل‌های هوش مصنوعی محلی را روی کامپیوتر خود اجرا کنید، قصد دارد این روند را تغییر دهد. این نرم‌افزار روی سیستم‌عامل‌های macOS، Windows و Linux کار می‌کند و پرامپت‌ها و داده‌های ورودی شما هرگز ذخیره نشده و برای آموزش هوش مصنوعی استفاده نمی‌شوند.

نرم‌افزار Ollama چگونه این چالش را حل می‌کند؟

برنامه Ollama اکنون از مدل‌های تبدیل متن به گفتار در مک پشتیبانی می‌کند که این مسیر با مدل Phonon آغاز شده است. مدل Phonon توسط مجموعه Gradium ساخته شده و خانواده‌ای از مدل‌های کوچک هوش مصنوعی است که می‌توانند هر متنی را درست روی سیستم مک شما به گفتار تبدیل کنند. پشتیبانی از سیستم‌عامل‌های ویندوز و لینوکس نیز به‌زودی عرضه خواهد شد.

صداهای معرفی‌شده در وبلاگ رسمی Ollama بسیار طبیعی به نظر می‌رسند. شما می‌توانید از میان صداهایی مانند Zoey، Easton، Freya و Hugh با لهجه‌های آمریکایی و بریتانیایی انتخاب کنید. علاوه بر زبان انگلیسی، مدل‌های مجزایی برای زبان‌های فرانسوی، آلمانی، اسپانیایی و پرتغالی نیز در دسترس قرار گرفته است.

سرعت پردازش نیز نباید مشکلی ایجاد کند. به لطف فریم‌ورک MLX اپل، Ollama ادعا می‌کند که مدل Phonon روی مک‌بوک پرو مجهز به تراشه M5 Max تا ۳۵ درصد سریع‌تر از محیط اجرای اختصاصی Gradium عمل می‌کند، بدون اینکه ذره‌ای از دقت آن کاهش یابد.

چگونه می‌توانید از این قابلیت هوش مصنوعی استفاده کنید؟

شما می‌توانید مدل Phonon را با یک مدل چت (Chat Model) ترکیب کنید تا پاسخ‌های متنی آن به‌صورت زنده و با صدای بلند خوانده شوند. پخش صوت بلافاصله پس از تولید اولین جمله آغاز می‌شود، بنابراین نیازی نیست منتظر تکمیل کل پاسخ متنی بمانید.

برای شروع، به یک سیستم Mac با پردازنده اپل سیلیکون و نرم‌افزار Ollama نسخه 0.40.11 یا بالاتر نیاز دارید. کافی است مدل Phonon را دریافت (Pull) کنید تا همه چیز آماده کار شود. توجه داشته باشید که اگرچه مدل انگلیسی تحت مجوز Apache 2.0 برای استفاده تجاری و رایگان ارائه شده، اما مدل‌های فرانسوی، آلمانی، اسپانیایی، پرتغالی و چندزبانه به استفاده‌های غیرتجاری محدود شده‌اند.