Sesame AI Stimme und CSM-1B: Demo, offenes Modell und Alternative
Die Gesprächsdemo von Sesame mit den Stimmen, die viele als Maya und Miles kennen, hat zahlreiche Hörer beeindruckt, und Sesame hat außerdem ein offenes Sprachmodell veröffentlicht, CSM-1B. Das ist nicht dasselbe, und das zählt, wenn Sie die Stimme im eigenen Projekt nutzen wollen.
Dieser Ratgeber erklärt anhand der Modellkarte von CSM-1B, was das offene Modell ist, was der Betrieb erfordert, welche Regeln gelten und wann eine fertige Engine wie SuperClonica die einfachere Wahl ist.
Demo und offenes Modell
Laut Modellkarte läuft die interaktive Sprachdemo von Sesame auf einer feinabgestimmten Variante von CSM. Das veröffentlichte CSM-1B ist das Basismodell des Conversational Speech Model und klingt ohne Anpassung nicht genau wie die Demo. CSM erzeugt Sprache aus Text zusammen mit Audiokontext und hält so den Sprecher über mehrere Wortwechsel konstant.
Was CSM-1B ist
CSM nutzt ein Llama-Grundgerüst und einen kleineren Audiodecoder, der Mimi-Audiocodes erzeugt. Es erschien am 13. März 2025 unter der Lizenz Apache-2.0 und wird ab Version 4.52.1 nativ in Hugging Face Transformers unterstützt. Hauptsprache ist Englisch; laut Karte funktionieren andere Sprachen nur eingeschränkt und wahrscheinlich schlecht. Zum Herunterladen müssen Sie zustimmen, Ihre Hugging-Face-Kontaktdaten zu teilen.
Betrieb und Regeln
Der Beispielcode der Karte nutzt eine CUDA-Grafikkarte, falls vorhanden, und fällt sonst auf den Prozessor zurück. Die Karte verbietet, mit dem Modell reale Personen ohne deren ausdrückliche Zustimmung nachzuahmen, täuschende Inhalte zu erstellen oder es für illegale oder schädliche Zwecke zu nutzen.
Eine fertige Alternative für normale Computer
Wenn Sie jetzt Sprache brauchen statt eines Forschungsmodells, installieren Sie die kostenlose SuperClonica-Engine mit python -m pip install superclonica-cpu und starten superclonica --text "Hey, good to hear from you." --voice F1 --lang de --output hello.wav. Sie läuft offline auf einem normalen Prozessor, spricht 31 Sprachen und bringt zehn Standardstimmen mit, M1 bis M5 und F1 bis F5. Die Engine steht unter Apache 2.0, das Modell Supertonic 3 unter OpenRAIL-M, das kommerzielle Nutzung im Rahmen seiner Einschränkungen erlaubt.
Stimmen und Ihre eigene Stimme
Hören Sie Katalogstimmen kostenlos auf ihren Seiten: 30 bis 100 Zeichen einfügen, ohne Konto. Für eine eigene Stimme nehmen Sie einen sauberen Satz von 5 bis 10 Sekunden auf und trainieren sie im Studio; auf Ihrer eigenen NVIDIA-Grafikkarte ist das kostenlos. Die kostenlose Katalogstimme Maya gehört zu SuperClonica und hat nichts mit Sesame zu tun.