اپلیکیشن Ollama که برای اجرای محلی مدل‌های هوش مصنوعی شناخته می‌شود، اعلام کرد نسخه مک آن اکنون از تولید گفتار (Text-to-Speech) پشتیبانی می‌کند. بر اساس اعلام این پلتفرم، پشتیبانی از ویندوز و لینوکس نیز به‌زودی اضافه خواهد شد.
Ollama و تولید گفتار محلی
Ollama پلتفرمی متن‌باز است که به کاربران اجازه می‌دهد مدل‌های هوش مصنوعی باز (Open AI Models) را به‌صورت محلی روی مک خود دانلود و اجرا کنند یا به مدل‌های قدرتمندتر از طریق ابر (Cloud) دسترسی داشته باشند. این پلتفرم برای ویندوز و لینوکس نیز عرضه شده است. بر پایه گزارش منبع، Ollama یکی از محبوب‌ترین پروژه‌های هوش مصنوعی در GitHub است و نزدیک به ۱۸۵ هزار ستاره و حدود ۱۸٬۶۰۰ فورک دارد.
در macOS، Ollama از چارچوب MLX اپل استفاده می‌کند؛ یک چارچوب متن‌باز یادگیری ماشین (Machine Learning) که از معماری حافظه یکپارچه (Unified Memory) اپل سیلیکون (Apple Silicon) بهره می‌برد و اجرای سریع‌تر و کارآمدتر مدل‌های پشتیبانی‌شده را ممکن می‌کند. کاربران پس از راه‌اندازی Ollama می‌توانند مدل‌های متن‌باز سازگار را از مخازنی مانند Hugging Face دانلود و مستقیماً روی مک اجرا کنند. این یعنی استفاده از هوش مصنوعی بدون نیاز به اتصال اینترنت یا ارسال داده به سرورهای خارجی، هرچند عملکرد و اندازه مدل‌های قابل اجرا به‌شدت به سخت‌افزار مک وابسته است.
پشتیبانی از مدل‌های Phonon
Ollama به‌تازگی پشتیبانی از Phonon را اعلام کرده است؛ خانواده‌ای از مدل‌های تبدیل متن به گفتار که توسط Gradium توسعه یافته‌اند. این نخستین بار است که این پلتفرم از تولید گفتار پشتیبانی می‌کند. به گفته Ollama، گفتار به‌صورت بلادرنگ (Real-Time) تولید می‌شود؛ یعنی کاربران می‌توانند پاسخ‌های تولیدشده توسط هوش مصنوعی را هم‌زمان با تولید بشنوند، نه اینکه تا پایان کامل پاسخ صبر کنند.
این پلتفرم اعلام کرد که به لطف چارچوب MLX اپل، در آزمون‌های انجام‌شده روی یک مک‌بوک پرو مجهز به M5 Max، تولید گفتار ۳۵ درصد سریع‌تر از پیاده‌سازی خود Gradium بوده و نرخ خطای واژه (Word Error Rate) آن با پیاده‌سازی مرجع در Hugging Face Transformers برابر است.
زبان‌ها، صداها و دسترسی
Phonon از پنج زبان انگلیسی، فرانسوی، آلمانی، اسپانیایی و پرتغالی پشتیبانی می‌کند و برای هر زبان مدل جداگانه‌ای دارد؛ همچنین یک مدل چندزبانه (Multilingual) نیز ارائه شده که هر پنج زبان را پوشش می‌دهد. کاربران بسته به مدل می‌توانند از میان صداهای متنوع با لهجه‌های مختلف، از جمله انگلیسی آمریکایی و بریتانیایی، انتخاب کنند.
- مدل‌های گفتار جدید اکنون برای مک‌های اپل سیلیکون (Apple Silicon) که Ollama 0.40.11 یا جدیدتر را اجرا می‌کنند، در دسترس است.
- کاربران می‌توانند Phonon را مستقیماً از طریق Ollama دانلود کنند.
- برای شنیدن نمونه‌های صوتی و آشنایی بیشتر با قابلیت تولید گفتار Ollama، از جمله دستورالعمل‌ها و نمونه‌های کد برای استفاده از مدل‌ها از طریق API، می‌توان به پیوند ارائه‌شده در منبع مراجعه کرد.
پشتیبانی از این مدل‌ها فعلاً روی macOS ارائه شده و نسخه‌های ویندوز و لینوکس قرار است در آینده نزدیک از آن بهره‌مند شوند.