AI մոդելներ

Մենք ներառել ենք լավագույն բաց կոդով ձայնային AI մոդելները։ Բոլոր մոդելները հասանելի են API և վեբ ինտերֆեյսի միջոցով։

Տեքստից խոսքի մոդելներ

Chatterbox
Հետևյալը

Զերո-շոթ ձայնի կլոնավորում կարճ հղման օրինակից, 23 լեզուներով։ Մեր լրիվ մոդել, AI-ի ձայները և մեր լրիվ ձայնի փոխակերպման մոդել (Chatterbox VC)։

Լեզուներ 23
Ավտոմատ ձայնագրություն 6-ից 60 վայրկյան
VRAM ~5 ԳԲ
Լիցենզիա MIT
Zero-shot կլոունավորում Ձայնի վերափոխում Բազմալեզու Առևտրային օգտագործում
Կոկորո, Փայպեր, Վիտս և Բարկ

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.

ձայներ 316
Լեզուներ 19
Դիժեներ 4
Տեղադրել MP3, WAV, OGG, FLAC
Բազմալեզու Առևտրային օգտագործման թույլատրելի
Փորձել տեքստը խոսել
OpenVoice v2

Տոնային գույնի փոխակերպիչ և կլոնիկացման մոդել։ Դեռևս ընտրելի է ձայնի փոխակերպման համար, որտեղ Chatterbox VC- ն այժմ լռելյայն է, քանի որ այն ավելի շատ է պահպանում նպատակային ձայնը։

Ձայնը համապատասխանում է մեր թեստին OpenVoice v2: 0.17 to 0.35
Ձայնը համապատասխանում է մեր թեստին Chatterbox VC: 0.64 to 0.75
Լիցենզիա MIT

Արտասահմանյան լեզվով ձայնագրված ձայնագրությունների նմանությունը նպատակային լեզվով ձայնագրված ձայնագրության հետ։ Միևնույն իրական լեզվով ձայնագրված երկու ձայնագրությունները 0.76-ից 0.88 գնահատական են ստանում։

Ձայնի վերափոխում Ընտրանքային
GitHub

Խոսքից-տեքստ մոդելներ

Whisper Large v3
Ամենատարածված

OpenAI-ի բաց կոդով խոսակցության ճանաչման մոդելը։ Թարգմանում է 100 լեզու, ժամանակային նշաններով և լեզվի ավտոմատ հայտնաբերմամբ։

Լեզուներ 100
Փարատոմսեր 1.5B
VRAM ~10 ԳԲ
Լեզվի հայտնաբերում Ավտոմատ
Լռելայն մոդել Բազմալեզու Ժամանակահատված
Whisper Large v3 Turbo

Whisper Large v3-ի փոքր, արագ տարբերակը արագ ընթերցման համար։ Ստեղծեք այն որպես whisper-turbo։

Լեզուներ 100
Փարատոմսեր 809M
VRAM ~6 ԳԲ
Լիցենզիա MIT
արագ Բազմալեզու

ձայնային զրույց

Qwen2.5 7B Instruct

Առանց կոդավորման լեզվի մոդելը, որը գրում է պատասխանները ձայնային զրույցներում, ձեր ընտրած կերպարով։ Ձեր բրաուզերը փոխանցում է ձեր խոսքը և Piper ձայնը բարձրաձայն կարդում է պատասխանը։

Փարատոմսեր 7B
Լիցենզիա Apache 2.0
ձայն Piper
Աշխատանք Մեր GPU- ները
Ընտրյալ
GitHub