AI modellek

A legjobb nyílt forráskódú beszéd AI modelleket integráljuk. Minden modell elérhető API és webes felületen keresztül.

Szöveg-nyelv modell

Chatterbox
Ajánlott

Zéró hang klónozás egy rövid referenciamintából 23 nyelven. Alapértelmezett klónozási modellünk, az MI szinkronizálásban szereplő hangok és az alapértelmezett hangkonverziós modellünk (Chatterbox VC).

Nyelvek 23
Referencia hang 6-60 s
VRAM ~5GB
Engedély MIT
Nulla lövéses klónozás Hangváltás Többnyelvű Kereskedelmi felhasználás
Kokoro, Piper, VITS és Bark

Négy nyitott szöveg egy hangszedő mögötti beszédmotornak. A Kokoro 82M (Apache 2.0) az alapértelmezett; Piper csak olyan hangokat kínál, amelyek képzési adatai lehetővé teszik a kereskedelmi felhasználást; a VITS hozzáad 109 angol hangszórót és a Bark 130 presetet 13 nyelven.

Hangok 316
Nyelvek 19
Motorok 4
Letöltés MP3, WAV, OGG, FLAC
Többnyelvű Kereskedelmi célú felhasználás megengedett
Próbálja meg a szöveget a beszédhez
OpenVoice v2

Tone színkonverter és klónozó modell. Még mindig választható hangkonverzió, ahol Chatterbox VC most az alapértelmezett, mert ez tartja sokkal több a cél hang.

Hang egyezik a tesztünkben OpenVoice v2: 0.17 to 0.35
Hang egyezik a tesztünkben Chatterbox VC: 0.64 to 0.75
Engedély MIT

A hangfal hasonló a módosított felvételekhez, mint a célkihangosító egy másik klipjéhez. Két klip egy igazi hangszóróból 0,76-0,88.

Hangváltás Opcionális
GitHub

Beszéd-szöveges modellek

Whisper Large v3
A legtöbbet használt

Az OpenAI nyílt forráskódú beszédfelismerő modellje. Átír 100 nyelvet, időbélyegekkel és automatikus nyelvi észleléssel.

Nyelvek 100
Paraméterek 1.5B
VRAM ~10GB
Nyelvfelismerés Automatikus
Alapértelmezett modell Többnyelvű Időbélyegzők
Whisper Large v3 Turbo

Egy kisebb, gyorsabb változata Whisper Large v3 gyorsabb átiratok. - Suttogós turbónak kell választani.

Nyelvek 100
Paraméterek 809M
VRAM ~6GB
Engedély MIT
Gyorsabban! Többnyelvű

Hang csevegő modell

Qwen2.5 7B Instruct

A nyílt forráskódú nyelvi modell, amely a válaszokat hangcsevegőben írja, a kiválasztott személyben. A böngésző átírja a beszédét és egy Piper hang felolvassa a választ hangosan.

Paraméterek 7B
Engedély Apache 2.0
Hang Piper
Futás! A GPU-ink
Egyedi személyek
GitHub