OuteTTS-0.1-350M ist eine Text-zu-Sprache-Synthesetechnologie, die auf reinem Sprachmodell basiert. Sie benötigt keine externen Adapter oder komplexe Architekturen und erzielt durch sorgfältig gestaltete Prompts und Audio-Tokenisierung eine hochwertige Sprachsynthese. Das Modell basiert auf der LLaMa-Architektur, verwendet 350 Millionen Parameter und demonstriert das Potenzial der direkten Sprachsynthese mit Sprachmodellen. Es verarbeitet Audio in drei Schritten: Audio-Tokenisierung mit WavTokenizer, CTC-Forced-Alignment zur Erstellung einer präzisen Wort-zu-Audio-Token-Zuordnung und Erstellung strukturierter Prompts in einem bestimmten Format. Zu den Hauptvorteilen von OuteTTS gehören die rein sprachmodellbasierte Methode, die Fähigkeit zum Klonen von Stimmen und die Kompatibilität mit llama.cpp und dem GGUF-Format.