अब आपका टर्मिनल आपसे बात कर सकता है, और मजेदार बात यह है कि यह कोई क्लाउड API नहीं बुलाए बिना यह करता है। शनिवार को, Ollama ने macOS पर टेक्स्ट-टू-स्पीच के साथ 0.40.11 जारी किया। पहला भाषण मॉडल Phonon है, जो Gradium से आया एक छोटे TTS मॉडल्स का परिवार है। आप इसे ollama pull phonon के साथ डाउनलोड कर सकते हैं और किसी भी अन्य मॉडल की तरह चला सकते हैं। विकासकर्ताओं के लिए वास्तव में महत्वपूर्ण बात API है। Phonon, localhost पर OpenAI-अनुकूल /v1/audio/speech एंडपॉइंट के साथ काम करता है। यदि आपका कोड पहले से ही स्पीच के लिए OpenAI SDK का उपयोग करता है, तो दस्तावेज़ कहते हैं कि आपको केवल एक नया बेस URL चाहिए। प्रतिक्रिया ऑडियो के निर्माण के साथ-साथ स्ट्रीम होती है, इसलिए प्लेबैक पूरा पाठ समाप्त होने से पहले ही शुरू हो सकता है। आप एक चैट मॉडल के उत्तर को सीधे Phonon में पाइप कर सकते हैं, और यह पहले वाक्य के बाद ही बोलना शुरू कर देता है। आउटपुट 24 kHz मोनो, पूर्वनिर्धारित रूप से WAV के रूप में होता है, या 16-बिट PCM के रूप में, यदि आप इसका अनुरोध करें। दस्तावेज़ में कुछ सीमाएँ सूचीबद्ध हैं जिन्हें आसानी से पार किया जा सकता है। प्रत्येक अनुरोध में 4,096 अक्षरों तक हो सकता है, हालाँकि ollama run लंबे पाठ को स्वयं विभाजित करता है। मूल्य, प्रतीक, ईमेल और URL को स्पेलआउट किया जाता है, जबकि संख्यात्मक तिथियों को लिखे गए अनुसार पढ़ा जाता है, इसलिए दस्तावेज़ सुझाव देता है कि तिथियों को शब्दों में लिखा जाए। असमर्थित विकल्प, जैसे स्पीड या निर्देश, 400 त्रुटि प्रतिक्रिया देते हैं, प्रशांतता से 무시 करने के बजाय। अनुमति पत्र पर प्रस्तुति से पहले सावधानी से पढ़ना महत्वपूर्ण है। डिफ़ॉल्ट English phonon मॉडल Apache 2.0 है। 40M French, German, Spanish, Portuguese और मल्टीलिंगुअल संस्करण CC BY-NC 4.0 हैं, जो व्यावसायिक प्रयोग को मना करते हैं। Ollama कहता है कि M5 Max MacBook Pro पर, यह Gradium के स्वयं के runtime से 35 प्रतिशत तेज़ी से चला, हालाँकि यह Gradium की स्वयं की प्रयोगशाला परीक्षण है, स्वतंत्र परीक्षण नहीं। अभी के लिए, स्पीच केवल Apple Silicon पर ही समर्थित है, Windows और Linux समर्थन "जल्द ही" के रूप में सूचीबद्ध है।