AI મોડેલો

અમે શ્રેષ્ઠ ઓપન-સોર્સ સ્પીકિંગ એઆઈ મોડેલોને એકીકૃત કરીએ છીએ.

લખાણ-થી-ભાષા મોડેલો

Chatterbox
સૂચવાયેલ

23 ભાષાઓમાં ટૂંકા સંદર્ભ નમૂનામાંથી શૂન્ય-શૉટ અવાજ ક્લોનિંગ. અમારું મૂળભૂત ક્લોનિંગ મોડેલ, AI ડબિંગમાં અવાજ, અને અમારું મૂળભૂત અવાજ પરિવર્તન મોડેલ (Chatterbox VC).

ભાષાઓ 23
સંદર્ભ ઓડિયો ૬ થી ૬૦ સેકન્ડો
VRAM ~5GB
લાઇસન્સ MIT
ઝીરો-શોટ ક્લોનીંગ અવાજ ફેરફાર બહુભાષી વેપારિક વપરાશ
કોકોરો, પાઇપર, VITS અને બાર્ક

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.

અવાજ 316
ભાષાઓ 19
એન્જિનો 4
ડાઉનલોડ કરો MP3, WAV, OGG, FLAC
બહુભાષી વેપારિક વપરાશ પરવાનગી આપેલ છે
લખાણથી વાણી પ્રયત્ન કરો
OpenVoice v2

ટોન રંગ પરિવર્તક અને ક્લોનિંગ મોડેલ. હજુ પણ અવાજ પરિવર્તન માટે પસંદ કરી શકાય છે, જ્યાં ચેટબોક્સ VC હવે મૂળભૂત છે કારણ કે તે લક્ષ્ય અવાજના ઘણાં વધારે રાખે છે.

અમારી ચકાસણીમાં અવાજ મેળ ખાય છે OpenVoice v2: 0.17 to 0.35
અમારી ચકાસણીમાં અવાજ મેળ ખાય છે Chatterbox VC: 0.64 to 0.75
લાઇસન્સ MIT

લક્ષ્ય સ્પીકરનાં અલગ ક્લિપમાં રૂપાંતરિત રેકોર્ડની સ્પીકર સરખામણી. એક જ વાસ્તવિક સ્પીકરનાં બે ક્લિપ ૦.૭૬ થી ૦.૮૮ સુધીનો સ્કોર કરે છે.

અવાજ ફેરફાર વૈકલ્પિક
GitHub

બોલી-થી-લખાણ મોડેલો

Whisper Large v3
સૌથી વધુ વપરાયેલ

OpenAI નું ઓપન-સોર્સ ભાષા ઓળખ મોડેલ. ૧૦૦ ભાષાઓનું અનુવાદ કરે છે, સમયસમાચારો અને આપોઆપ ભાષા શોધ સાથે.

ભાષાઓ 100
પરિમાણો 1.5B
VRAM ~10GB
ભાષા શોધ આપોઆપ
મૂળભૂત મોડેલ બહુભાષી સમય સ્ટેમ્પ
Whisper Large v3 Turbo

ઝડપી ટ્રાન્સક્રિપ્ટ માટે Whisper Large v3 ની નાની, ઝડપી આવૃત્તિ. તેને whisper-turbo તરીકે પસંદ કરો.

ભાષાઓ 100
પરિમાણો 809M
VRAM ~6GB
લાઇસન્સ MIT
ઝડપી બહુભાષી

અવાજ સંવાદ મોડેલ

Qwen2.5 7B Instruct

ઓપન-સોર્સ ભાષા મોડેલ કે જે અવાજ સંવાદમાં જવાબો લખે છે, તમે પસંદ કરેલ વ્યક્તિત્વમાં. તમારું બ્રાઉઝર તમારી વાતચીતનું અનુવાદ કરે છે અને Piper અવાજ જવાબને સાંભળે છે.

પરિમાણો 7B
લાઇસન્સ Apache 2.0
અવાજ Piper
ઉપર ચલાવે છે અમારા GPUs
વૈવિધ્યપૂર્ણ વ્યક્તિઓ
GitHub