Μοντέλα AI

Ενσωματώνουμε τα καλύτερα μοντέλα ομιλίας ανοιχτής πηγής. Όλα τα μοντέλα είναι διαθέσιμα μέσω API και διεπαφής ιστού.

Μοντέλα κειμένου προς ομιλία

Chatterbox
Συνιστώμενη

Μηδενική κλωνοποίηση φωνής από ένα σύντομο δείγμα αναφοράς, σε 23 γλώσσες. Το προκαθορισμένο μοντέλο κλωνοποίησης, οι φωνές στο μετουσίωση AI και το προκαθορισμένο μοντέλο μετατροπής φωνής (Chatterbox VC).

Γλώσσες 23
Ακουστικό αναφοράς 6 έως 60
VRAM ~5GB
Άδεια MIT
Μηδενικό κλώνισμα Φωνητική μετατροπή Πολύγλωσσο Εμπορική χρήση
Kokoro, Piper, VITS και Bark

Four open text to speech engines behind one voice picker. Kokoro 82M (Apache 2.0) is the default; Piper offers only voices whose training data allows commercial use; VITS adds 109 English speakers and Bark 130 presets in 13 languages.

Φωνές 316
Γλώσσες 19
Κινητήρες 4
Λήψη MP3, WAV, OGG, FLAC
Πολύγλωσσο Επιτρέπεται η εμπορική χρήση
Προσπαθήστε να γράψετε κείμενο στην ομιλία
OpenVoice v2

Μετατροπέας χρώματος τόνου και μοντέλο κλωνοποίησης. Ακόμα επιλέξιμο για μετατροπή φωνής, όπου Chatterbox VC είναι τώρα η προεπιλογή επειδή κρατά πολύ περισσότερο από την φωνή στόχο.

Ο αγώνας φωνής στο τεστ μας OpenVoice v2: 0.17 to 0.35
Ο αγώνας φωνής στο τεστ μας Chatterbox VC: 0.64 to 0.75
Άδεια MIT

Ομιλία ομιλητών των μετατρεπόμενων ηχογραφήσεων σε διαφορετικό κλιπ του ηχείου-στόχου. Δύο κλιπ του ίδιου πραγματικού ηχείου σκορ 0,76 έως 0,88.

Φωνητική μετατροπή Προαιρετικό
GitHub

Μοντέλα ομιλίας προς κείμενο

Whisper Large v3
Περισσότερα Χρησιμοποιούμενα

Το μοντέλο αναγνώρισης λόγου του OpenAI. Η Transcripts 100 γλώσσες, με χρονοσφραγίσεις και αυτόματη ανίχνευση γλώσσας.

Γλώσσες 100
Παράμετροι 1.5B
VRAM ~10GB
Ανίχνευση γλωσσών Αυτόματη
Προκαθορισμένο μοντέλο Πολύγλωσσο Χρονικές σφραγίδες
Whisper Large v3 Turbo

Μια μικρότερη, ταχύτερη έκδοση του Whisper Large v3 για γρηγορότερα πρακτικά. Διάλεξε το σαν ψιθυριστό-τουρμπο.

Γλώσσες 100
Παράμετροι 809M
VRAM ~6GB
Άδεια MIT
Πιο γρήγορα. Πολύγλωσσο

Μοντέλο συνομιλίας φωνής

Qwen2.5 7B Instruct

Το μοντέλο ανοιχτής γλώσσας που γράφει τις απαντήσεις σε φωνητική συνομιλία, στην προσωπικότητα που διαλέγετε. Ο περιηγητής σας μεταγράφει την ομιλία σας και μια φωνή Piper διαβάζει την απάντηση δυνατά.

Παράμετροι 7B
Άδεια Apache 2.0
Φωνή Piper
Τρέχει πάνω Οι GPU μας
Προσαρμοσμένες προσωπικότητες
GitHub