E2 TTS

Uzavřené hmotnosti Microsoft 335M Parametry September 2024

Žádný odhad

Žádné hardwareové požadavky na tento model

Hmotnosti tohoto modelu nebyly publikovány, takže jej nelze stáhnout ani spustit na vlastním hardwaru v jakékoli velikosti. Je dostupný pouze prostřednictvím svého poskytovatele a žádná grafická karta to nezmění..

Záznam.

Plná specifikace

Všechno zaznamenané k tomuto modelu. Většina z toho popisuje, jak byl trénován, nikoli jak běží — užitečný kontext pro posouzení, kolik práce do něj bylo vloženo, a jak se srovnává s modely postavenými na jinou škálu.

Původ

Kdo vybudoval tento model, kde a kdy byl publikován.

Organizace
Microsoft
Typ organizace
Industry
Země
United States of America
Publikováno
12 September 2024
Authors
Sefik Emre Eskimez, Xiaofei Wang, Manthan Thakker, Canrun Li, Chung-Hsien Tsai, Zhen Xiao, Hemin Yang, Zirun Zhu, Min Tang, Xu Tan, Yanqing Liu, Sheng Zhao, Naoyuki Kanda

Co to dělá

Problémové oblasti, pro které byl model vyvinut. Model může obsahovat několik z každého.

Doména
Speech
Úkol
Text-to-speech (TTS), Speech synthesis

Velikost

Jak velký je model a na kolik dat byl vytrénován. Parametry jsou číslo, které rozhoduje o tom, zda se vejde na danou grafickou kartu.

Parametry
335M

"The architecture incorporated U-Net [23] style skip connections, 24 layers, 16 attention heads, an embedding dimension of 1024, a linear layer dimension of 4096. The character embedding vocabulary size was 399.5 The total number of parameters amounted to 335 million"

Tréninková data
245,760,000,000 tokens

"We utilized the Libriheavy dataset [30] to train our models. The Libriheavy dataset comprises 50,000 hours of read English speech from 6,736 speakers, accompanied by transcriptions that preserve case and punctuation marks." "We also used a proprietary 200,000 hours of training data to investigate the scalability of the E2 TTS model." "All models were trained for 800,000 mini-batch updates with an effective mini-batch size of 307,200 audio frames." Token count estimate: 307,200 × 800,000 = 2…

Výpočet trénování

Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál trénink, nikoli jak rychle hotový model na vás odpovídá.

Výpočet trénování
4.9 × 10²⁰ FLOP

6 FLOP / token / parameter * 245760000000 tokens * 335000000 parameters = 4.939776e+20 FLOP

Jak bylo založeno
Operation counting

Dostupnost

Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se na tuto stránku vztahují jakákoliv čísla grafických karet.

Váhy
Closed — provider access only
Přístup k modelu
Unreleased
Tréninkový kód
Unreleased

Jak je klasifikováno

Labely, které se na zdrojovém datovém souboru používají při sledování významných modelů, a jak moc si je jistý touto položkou.

Záznam důvěry
Confident

Zdroje

Odkud tento záznam pochází a kdy byl naposled zkontrolován.

Odkaz
E2 TTS: Embarrassingly Easy Fully Non-Autoregressive Zero-Shot TTS
Naposledy aktualizováno
28 November 2025

Co čísla znamenají

O tomto modelu

E2 TTS byl publikován společností Microsoft ve Spojených státech amerických v září 2024. Organizace je zařazena jako průmysl.

It works in Speech, and is recorded as doing text-to-speech (TTS), Speech synthesis.

Jeho váhy nikdy nebyly zveřejněny, takže je možné ho dosáhnout pouze prostřednictvím jeho poskytovatele. Žádná grafická karta to nezmění.

Co bylo zapotřebí k jeho vybudování

Training it took roughly 4.9 × 10²⁰ FLOP of computation — a measure of what producing the model cost, not of how fast it answers.

It was trained on about 245,760,000,000 tokens of text.

Odpovědi

E2 TTS — Časté dotazy

01

When was E2 TTS released?

E2 TTS was published in September 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.

02

What is E2 TTS used for?

E2 TTS works in Speech, and is recorded as handling text-to-speech (TTS), Speech synthesis. These are the areas it was designed around; they describe intent rather than a hard boundary.

03

How much compute was used to train E2 TTS?

Around 4.9 × 10²⁰ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.

04

What GPU do I need to run E2 TTS?

None. E2 TTS is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.

05

Is E2 TTS open source?

No. E2 TTS has not had its weights published, so it exists only as a service controlled by its owner.

06

How many parameters does E2 TTS have?

E2 TTS has 335M parameters. "The architecture incorporated U-Net [23] style skip connections, 24 layers, 16 attention heads, an embedding dimension of 1024, a linear layer dimension of 4096. The character embedding vocabulary size was 399.5 The total number of parameters amounted to 335 million". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.

07

Who created E2 TTS?

E2 TTS was published by Microsoft, based in United States of America, categorised as industry.

Zdroj

Původní publikace

Poslední aktualizace záznamu 28 November 2025

Druhý směr

Když se na to podíváte z druhé strany?

Tato stránka začíná modelem. Pokud již vlastníte kartu a chcete vědět, co vše bude schopna spustit, Začněte raději od hardwaru.