Modelos de IA

Integramos los mejores modelos de IA de habla de código abierto. Todos los modelos están disponibles a través de API y la interfaz web.

Modelos de texto a voz

Chatterbox
Recomendado

Clonación de voz zero-shot a partir de una muestra de referencia corta, en 23 idiomas. Nuestro modelo de clonación por defecto, las voces del doblaje con IA y nuestro modelo de conversión de voz por defecto (Chatterbox VC).

Idiomas 23
Audio de referencia 6 a 60 s
VRAM ~5GB
Licencia MIT
Clonación zero-shot Conversión de voz Multilingüe Uso comercial
Kokoro, Piper, VITS y Bark

Cuatro motores de texto abiertos para hablar detrás de un selector de voz. Kokoro 82M (Apache 2.0) es el valor predeterminado; Piper ofrece solo voces cuyos datos de entrenamiento permiten el uso comercial; VITS añade 109 hablantes de inglés y Bark 130 presets en 13 idiomas.

Voces 316
Idiomas 19
Motores 4
Descargar MP3, WAV, OGG, FLAC
Multilingüe Uso comercial permitido
Prueba texto a voz
OpenVoice v2

Conversor de timbre y modelo de clonación. Sigue pudiendo seleccionarse para la conversión de voz, donde Chatterbox VC es ahora el predeterminado porque conserva mucho más de la voz de destino.

Parecido de voz en nuestra prueba OpenVoice v2: 0.17 to 0.35
Parecido de voz en nuestra prueba Chatterbox VC: 0.64 to 0.75
Licencia MIT

Similitud del hablante de las grabaciones convertidas con otro clip del hablante de destino. Dos clips del mismo hablante real puntúan de 0.76 a 0.88.

Conversión de voz Opcional
GitHub

Modelos de voz a texto

Whisper Large v3
Más usado

El modelo de reconocimiento de voz de código abierto de OpenAI. Transcribe 100 idiomas, con marcas de tiempo y detección automática del idioma.

Idiomas 100
Parámetros 1.5B
VRAM ~10GB
Detección de idioma Automático
Modelo predeterminado Multilingüe Marcas de tiempo
Whisper Large v3 Turbo

Una versión más pequeña y rápida de Whisper Large v3 para obtener transcripciones antes. Selecciónala como whisper-turbo.

Idiomas 100
Parámetros 809M
VRAM ~6GB
Licencia MIT
Más rápido Multilingüe

Modelo del chat de voz

Qwen2.5 7B Instruct

El modelo de lenguaje de código abierto que escribe las respuestas del chat de voz, con la personalidad que elijas. Tu navegador transcribe lo que dices y una voz de Piper lee la respuesta en voz alta.

Parámetros 7B
Licencia Apache 2.0
Voz Piper
Se ejecuta en Nuestras GPU
Personajes personalizados
GitHub