KI-Modelle

Wir integrieren die besten Open-Source-Sprach-KI-Modelle. Alle Modelle sind über API und Web-Schnittstelle verfügbar.

Text-to-Speech-Modelle

Chatterbox
Empfohlen

Zero-Shot-Stimmklonen aus einer kurzen Referenzprobe, in 23 Sprachen. Unser Standardmodell zum Klonen, die Stimmen der KI-Synchronisation und unser Standardmodell für die Stimmkonvertierung (Chatterbox VC).

Sprachen 23
Referenz-Audio 6 bis 60 s
VRAM ~5GB
Lizenz MIT
Zero-Shot-Klonen Sprachumwandlung Mehrsprachig Kommerzielle Nutzung
Kokoro, Piper, VITS und Bark

Vier offene Text-zu-Sprach-Engines hinter einem Sprach-Picker. Kokoro 82M (Apache 2.0) ist die Standardeinstellung; Piper bietet nur Stimmen, deren Trainingsdaten kommerzielle Nutzung ermöglichen; VITS fügt 109 englische Lautsprecher und Bark 130 Presets in 13 Sprachen hinzu.

Stimmen 316
Sprachen 19
Engines 4
Herunterladen MP3, WAV, OGG, FLAC
Mehrsprachig Kommerzielle Nutzung erlaubt
Text-to-Speech testen
OpenVoice v2

Klangfarben-Konverter und Klonmodell. Für die Stimmkonvertierung weiterhin wählbar, wobei Chatterbox VC jetzt der Standard ist, weil es deutlich mehr von der Zielstimme erhält.

Stimmähnlichkeit in unserem Test OpenVoice v2: 0.17 to 0.35
Stimmähnlichkeit in unserem Test Chatterbox VC: 0.64 to 0.75
Lizenz MIT

Sprecherähnlichkeit der konvertierten Aufnahmen zu einem anderen Clip des Zielsprechers. Zwei Clips desselben echten Sprechers erreichen 0.76 bis 0.88.

Sprachumwandlung Optional
GitHub

Speech-to-Text-Modelle

Whisper Large v3
Meistgenutzt

Das Open-Source-Spracherkennungsmodell von OpenAI. Transkribiert 100 Sprachen, mit Zeitstempeln und automatischer Spracherkennung.

Sprachen 100
Parameter 1.5B
VRAM ~10GB
Spracherkennung Automatisch
Standardmodell Mehrsprachig Zeitstempel
Whisper Large v3 Turbo

Eine kleinere, schnellere Version von Whisper Large v3 für zügigere Transkripte. Wähle sie als whisper-turbo aus.

Sprachen 100
Parameter 809M
VRAM ~6GB
Lizenz MIT
Schneller Mehrsprachig

Sprachchat-Modell

Qwen2.5 7B Instruct

Das Open-Source-Sprachmodell, das im Sprachchat die Antworten schreibt, in der Persona deiner Wahl. Dein Browser transkribiert, was du sagst, und eine Piper-Stimme liest die Antwort vor.

Parameter 7B
Lizenz Apache 2.0
Stimme Piper
Läuft auf Unsere GPUs
Eigene Personas
GitHub