AIモデル

音声AIモデルは,APIとウェブインタフェースを介して利用できる。

テキスト読み上げモデル

Chatterbox
おすすめ

短い参照サンプルから、23言語でゼロショット音声クローンを行います。デフォルトのクローンモデルであり、AI吹き替えの声とデフォルトの音声変換モデル (Chatterbox VC) にも使われています。

言語 23
参照音声 6~60秒
VRAM ~5GB
ライセンス MIT
ゼロショットクローン 音声変換 多言語 商用利用
Kokoro、Piper、VITS、Bark

音声ピックアップの背後にある4つのオープンテキストから音声へのエンジン。Kokoro 82M (Apache 2.0) はデフォルトで、Piper は訓練データが商用利用可能な音声のみを提供します。VITS は109人の英語話者と13言語の Bark 130プレセットを追加しました。

音声 316
言語 19
エンジン 4
ダウンロード MP3、WAV、OGG、FLAC
多言語 商用利用可能
テキスト読み上げを試す
OpenVoice v2

トーンカラー変換とクローンのモデルです。音声変換では引き続き選択できますが、Chatterbox VC のほうが対象の声をはるかによく保つため、現在はそちらがデフォルトです。

当社テストでの声の一致度 OpenVoice v2: 0.17 to 0.35
当社テストでの声の一致度 Chatterbox VC: 0.64 to 0.75
ライセンス MIT

変換後の録音と、対象話者の別のクリップとの話者類似度です。同じ実在の話者の二つのクリップでは 0.76 から 0.88 になります。

音声変換 オプション
GitHub

音声認識モデル

Whisper Large v3
最も利用されている

OpenAIのオープンソース音声認識モデル。100言語を文字起こしし、タイムスタンプと言語の自動検出に対応しています。

言語 100
パラメーター 1.5B
VRAM ~10GB
言語検出 自動
デフォルトモデル 多言語 タイムスタンプ
Whisper Large v3 Turbo

Whisper Large v3をより小さく高速にしたバージョンで、素早く文字起こしできます。whisper-turbo として選択してください。

言語 100
パラメーター 809M
VRAM ~6GB
ライセンス MIT
より高速 多言語

ボイスチャットモデル

Qwen2.5 7B Instruct

ボイスチャットで、選んだペルソナとして返答を作成するオープンソースの言語モデル。ブラウザがあなたの発話を文字起こしし、Piperの音声が返答を読み上げます。

パラメーター 7B
ライセンス Apache 2.0
音声 Piper
実行環境 自社GPU
カスタムペルソナ
GitHub