Edge0, 0,6 milyar parametre boyutunda kompakt bir yapıya sahip, sıfır atış (zero-shot) ses klonlama yetenekleri sunan açık ağırlıklı bir metin‑ses modeli olan Audio8‑TTS‑Realistic'i yayınladı. Model, yalnızca tek bir referans klip ve transkriptle 23 desteklenen dilde sesleri klonlayabiliyor; bu, selefine göre 12 yeni dil eklenmesi anlamına geliyor. Apache 2.0 lisansı altında dağıtılan paket, model kontrol noktaları, 44,1 kHz'lik bir sinirsel ses kodeği, tokenleştirici ve uygun maliyetli ince ayar ve dağıtım için tasarlanmış işlemci içeriyor.
Fish Audio S2 Pro'dan ilham alan çift‑autoregresif bir tasarım üzerine kurulan mimari, saniyede 21,5 kare hızında çalışan Qwen2.5 0.5B destekli yavaş bir dal ve kalan ses kod kitaplarını paralel olarak tahmin eden sığ 4 katmanlı bir hızlı dal kullanıyor. Çıktı kalitesini geleneksel kelime hata oranı ve konuşmacı benzerliği ölçütlerinin ötesine taşımak için Edge0, denetimli ince ayar ve öğrenilmiş bir gerçekçilik eleştirmeni tarafından yönlendirilen GRPO içeren üç aşamalı bir eğitim süreci uyguladı. Bu eleştirmen, kalite basamağı ve kimlik‑silme kaybını birleştirerek sentetik parmak izlerini ve doğal olmayan tempo akışını cezalandırıyor.
Kıyaslama testlerinde Audio8‑TTS‑Realistic, dokuz dilde CV3 üzerinde ortalama %4,86 hata oranı elde ederek Qwen3‑TTS‑1.7B ve CosyVoice3‑1.5B gibi daha büyük açık modelleri geride bıraktı. Geliştiriciler modeli PyTorch ve Transformers kullanarak yerel olarak çalıştırabilir; optimal performans için NVIDIA CUDA GPU'ları önerilirken Apple silikon için düşük bellekli seçenekler de mevcuttur. Neden önemli: Bu sürüm, çok dilli ve yüksek sadakatli ses klonlama uygulamalarının dağıtımındaki kaynak engelini, rekabetçi doğruluğu verimli bir 0,6B mimariye sığdırarak azaltıyor.