Mga modelo ng AI

Nagsasama kami ng pinakamahusay na open-source na modelo ng AI ng pagsasalita. Lahat ng mga modelo ay magagamit sa pamamagitan ng API at web interface.

Mga modelong Text-to-Speech

Chatterbox
Inirerekumenda

Zero-shot na cloning ng boses mula sa isang maikling sample ng sanggunian, sa 23 wika. Ang aming default na modelo ng cloning, ang mga boses sa AI dubbing, at ang aming default na modelo ng conversion ng boses (Chatterbox VC).

Mga wika 23
Reference audio 6 hanggang 60 segundo
VRAM 5GB
Lisensya MIT
Ang Zero-shot Cloning Voice conversion Multilingual Komersyal na Paggamit
Ang Kokoro, Piper, VITS at Bark ay mga halimbawa.

Kokoro 82M (Apache 2.0) ay ang default; Piper nag-aalok lamang ng mga boses na ang pagsasanay data ay nagbibigay-daan sa komersyal na paggamit; VITS ay nagdaragdag ng 109 Ingles speaker at Bark 130 presets sa 13 wika.

Mga Tinig 316
Mga wika 19
Engine 4
I-download Ang mga format ng file ay MP3, WAV, OGG, FLAC.
Multilingual Commercial paggamit pinapayagan
Subukan ang teksto sa pagsasalita
OpenVoice v2

Tone kulay converter at cloning modelo. Pa rin napili para sa conversion ng boses, kung saan Chatterbox VC ay ngayon ang default dahil ito ay natiling malayo mas marami ng target na boses.

Voice tugma sa aming pagsubok OpenVoice v2: 0.17 to 0.35
Voice tugma sa aming pagsubok Chatterbox VC: 0.64 to 0.75
Lisensya MIT

Speaker pagkakatulad ng convert na mga recordings sa isang iba't ibang clip ng target speaker. Dalawang mga clip ng parehong tunay na speaker score 0.76 sa 0.88.

Voice conversion Opsyonal
GitHub

Mga modelong Speech-to-Text

Whisper Large v3
Karamihan Ginamit

Ang OpenAI ay isang open-source na modelo ng pagkilala sa pananalita. Nag-translate ng 100 wika, may mga timestamp at awtomatikong pagtukoy ng wika.

Mga wika 100
Parameter 1.5B
VRAM 10GB
Wika detection Awtomatiko
Default na modelo Multilingual Mga Timestamp
Whisper Large v3 Turbo

Isang mas maliit, mas mabilis na bersyon ng Whisper Large v3 para sa mas mabilis transcripts. Piliin ito bilang whisper-turbo.

Mga wika 100
Parameter 809M
VRAM 6GB
Lisensya MIT
Mas mabilis Multilingual

Modelo ng Voice Chat

Qwen2.5 7B Instruct

Ang open-source na modelo ng wika na sumulat ng mga sagot sa voice chat, sa persona na iyong pinili. Ang iyong browser ay nag-translate ng iyong pagsasalita at isang Piper na boses ay nagbabasa ng tugon nang malakas.

Parameter 7B
Lisensya Apache 2.0
Boses Piper
Nagtatakbo sa Ang aming GPUs
Custom Personas
GitHub