مدلهای هوش مصنوعی
ما بهترین مدلهای هوش مصنوعی متن باز را ادغام میکنیم. همه مدلها از طریق API و رابط وب در دسترس هستند.
مدلهای متن به گفتار
Chatterbox
توصیه شدهشبیهسازی صدای صفر-شلیک از یک نمونه مرجع کوتاه، در ۲۳ زبان. مدل شبیهسازی پیشفرض ما، صداها در دوبلاژ هوش مصنوعی، و مدل تبدیل صدای پیشفرض ما (Chatterbox VC).
کوکورو، پايپر، ويتس و بارک
چهار موتور متن به گفتار باز پشت یک انتخابکننده صدا.Kokoro 82M (Apache 2.0) پیشفرض است؛ Piper فقط صداهایی را ارائه میدهد که دادههای آموزشی آنها اجازه استفاده تجاری را میدهد؛ VITS ۱۰۹ سخنران انگلیسی و Bark ۱۳۰ پیشفرض در ۱۳ زبان اضافه میکند.
OpenVoice v2
مبدل رنگ و مدل شبیهسازی. هنوز برای تبدیل صدا انتخابپذیر است ، جایی که Chatterbox VC حالا پیشفرض است زیرا صدای هدف را بیشتر نگه میدارد.
Speaker similarity of converted recordings to a different clip of the target speaker. Two clips of the same real speaker score 0.76 to 0.88.
مدلهای گفتار به متن
Whisper Large v3
بیشترین استفادهمدل تشخیص گفتار منبع باز OpenAI. 100 زبان را با مهر زمان و تشخیص خودکار زبان رونوشت میکند.
Whisper Large v3 Turbo
نسخه کوچکتر و سریعتر Whisper Large v3 برای رونوشت سریعتر. به عنوان whisper-turbo انتخاب کنید.
مدل گپ صدا
Qwen2.5 7B Instruct
مدل زبان متن باز که پاسخها را در گفتگوی صوتی ، در شخصیتی که انتخاب میکنید ، مینویسد. مرورگر شما گفتار شما را رونوشت میکند و صدای Piper پاسخ را با صدای بلند میخواند.