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 شده

شبیه‌سازی 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).

زبانها 23
صدای مرجع ۶ تا ۶۰ ثانیه
VRAM ~5 گیگابایت
مجوز MIT
شبیه‌سازی Zero-shot تبدیل صدا چندزبانه استفاده تجاری
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.

صداها 316
زبانها 19
موتورها 4
بارگیری MP3, WAV, OGG, FLAC
چندزبانه استفاده تجاری مجاز است
تلاش برای تبدیل متن به گفتار
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.

صداي آزمونمون با هم جور شده OpenVoice v2: 0.17 to 0.35
صداي آزمونمون با هم جور شده Chatterbox VC: 0.64 to 0.75
مجوز MIT

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.

تبدیل صدا گزینشی
GitHub

مدل‌های گفتار به متن

Whisper Large v3
بیشترین استفاده

مدل تشخیص گفتار منبع باز OpenAI. 100 زبان را با مهر زمان و تشخیص خودکار زبان رونوشت می‌کند.

زبانها 100
پارامترها 1.5B
VRAM ~10 گیگابایت
تشخیص زبان خودکار
مدل پیش‌فرض چندزبانه مهرهای زمانی
Whisper Large v3 Turbo

نسخه کوچکتر و سریعتر Whisper Large v3 برای رونوشت سریعتر. به عنوان whisper-turbo انتخاب کنید.

زبانها 100
پارامترها 809M
VRAM ~6 گیگابایت
مجوز MIT
تندتر چندزبانه

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.

پارامترها 7B
مجوز Apache 2.0
صدا Piper
اجرا می‌شود GPUهای ما
شخصیتهای سفارشی
GitHub