AI módel

Við samþættum bestu opinbera tal AI módelin. Öll módel eru fáanleg í gegnum API og vefforrit.

Texti-í-tal módel

Chatterbox
Ráðlagt

Zero-skot rödd klónun frá stuttum tilvísun sýnishorn, á 23 tungumálum.Sjálfgefið klónun líkan okkar, raddir í AI dubbing, og sjálfgefið rödd umbreytingu líkan okkar (Chatterbox VC).

Tungumál 23
Tilvísunarhljóð 6 til 60 sek
VRAM ~5GB
Leyfi MIT
Zero-shot Cloning Raddbreyting Fjöltyng Notkun í atvinnuskyni
Kokoro, Piper, VITS og Bark

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.

Raddir 316
Tungumál 19
Vélar 4
Sækja MP3, WAV, OGG, FLAC
Fjöltyng Notkun í atvinnuskyni leyfð
Prófaðu texta í tal
OpenVoice v2

Tone lit breytir og klónun líkan. Enn hægt að velja fyrir rödd umbreytingu, þar Chatterbox VC er nú sjálfgefið vegna þess að það heldur miklu meira af markmiði rödd.

Voice samsvörun í prófinu okkar OpenVoice v2: 0.17 to 0.35
Voice samsvörun í prófinu okkar Chatterbox VC: 0.64 to 0.75
Leyfi MIT

Líkur á að talarinn sé sá sami í tveimur upptökum af sama talara, sem eru 0,76 til 0,88.

Raddbreyting Valfrjálst
GitHub

Tal- í- texta módel

Whisper Large v3
Mest notuð

OpenAI er opinn uppspretta talgreiningar líkan. Umrita 100 tungumál, með tímastimpil og sjálfvirka tungumálagreiningu.

Tungumál 100
Breytur 1.5B
VRAM ~10GB
Tungumálagreining Sjálfvirkt
Sjálfgefin gerð Fjöltyng Tímastimpill
Whisper Large v3 Turbo

Minni, hraðari útgáfa af Whisper Large v3 fyrir hraðari afritunar. Veldu það sem hvísla-túrbó.

Tungumál 100
Breytur 809M
VRAM ~6GB
Leyfi MIT
Hraðar Fjöltyng

Raddspjallið

Qwen2.5 7B Instruct

Opinn uppspretta tungumál líkan sem skrifar svörin í raddspjallinu, í persónu sem þú velur.Vafrinn þinn skrifar ræðu þína og Piper rödd les svarið upphátt.

Breytur 7B
Leyfi Apache 2.0
Rödd Piper
Keyrir á GPU okkar
Sérsniðin persónur
GitHub