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