AI მოდელები

ჩვენ საუკეთესო ღია კოდის საუბრის AI მოდელს ინტეგრირებთ. ყველა მოდელი ხელმისაწვდომია API და ვებ ინტერფეისით.

ტექსტიდან ხმოვანი გამოსავლის მოდელები.

Chatterbox
რეკომენდებული

მოკლე რეფერენსული ნიმუშისგან zero-shot ხმის კლონირება 23 ენაზე. ჩვენი დეფოლტ კლონირების მოდელი, ხმები AI დუბლირებაში და ჩვენი დეფოლტ ხმის კონვერტაციის მოდელი (Chatterbox VC).

ენები. 23
აუდიო რეფერენტი 6- დან 60- მდე წამი
VRAM ~5GB დისკი
ლიცენზია MIT
ზერო-შოტ კლონირება Voice Conversion მრავალენოვანი კომერციული გამოყენება
Kokoro, Piper, VITS და Bark

ოთხი ღია ტექსტიდან ხმოვანი სისტემა ერთი ხმის შერჩევის ინტერფეისით. Kokoro 82M (Apache 2.0) არის სტანდარტული ვარიანტი; Piper-ი მხოლოდ იმ ხმებს გვთავაზობს, რომელთა შესწავლისთვის გამოყენებულმა მასალებმა კომერციული გამოყენება უნდა დაშვებული ჰქონდეს; VITS-ს 109 ინგლისური ენის მოლაპარაკე ხმა აქვს, ხოლო Bark-ს 13 სხვა ენაზე 130 წინასწარ განსაზღვრული პარამეტრი.

ხმები 316
ენები. 19
ეგთდარვლთრვ. 4
ჩამოტვირთვა MP3, WAV, OGG, FLAC
მრავალენოვანი კომერციული გამოყენება
ტექსტი საუბრად გადამუშავება
OpenVoice v2

ტონების ფერთა გადამცვლელი და კლონინგის მოდელი. ჯერ კიდევ შესაძლებელია ხმათა გადამცვლელად, სადაც Chatterbox VC არის ახლა ნაგულისხმევი, რადგან ის უფრო მეტს ინარჩუნებს მიზნობრივ ხმას.

ჩვენი ტესტის დროს ხმის შესატყვისობა OpenVoice v2: 0.17 to 0.35
ჩვენი ტესტის დროს ხმის შესატყვისობა Chatterbox VC: 0.64 to 0.75
ლიცენზია MIT

მონათხრობის მსგავსების შეფასება, რომელიც მიიღება გარდაქმნილი აუდიოჩანაწვერების და თავდაპირველი მოლაპარაკის სხვა ჩანაწერების შედარებით. ერთი და იგივე მოლაპარაკის ორი ჩანაწერი იძლევა 0.76-დან 0.88-მდე შედეგს.

Voice Conversion დამატებითი
GitHub

ხმოვანი შეტყობინებების ტექსტად გარდამქმნილი მოდელები.

Whisper Large v3
ყველაზე ხშირად გამოყენებული

OpenAI-ს ღია კოდის საუბრის აღქმის მოდელი. 100 ენაზე ტრანსკრიბირება, დროის ნიშნებით და ენის ავტომატური აღმოჩენა.

ენები. 100
პარამეტრები 1.5B
VRAM ~10GB დისკი
ენის ამოცნობა ავტომატური
ნაგულისხმევი მოდელი მრავალენოვანი დროის ნიშნები
Whisper Large v3 Turbo

Whisper Large v3-ის უფრო მცირე და სწრაფი ვერსია, სწრაფი ტრანსკრიპციისთვის. აირჩიეთ ის, როგორც whisper-turbo.

ენები. 100
პარამეტრები 809M
VRAM ~6GB დისკი
ლიცენზია MIT
უფრო სწრაფი მრავალენოვანი

ვოისი ჩატი (აუდიო ჩატი) მოდელი.

Qwen2.5 7B Instruct

ღია კოდის ენა, რომელიც პასუხებს წერს ხმის ჩატიში, თქვენ მიერ არჩეულ პიროვნებაში. თქვენი ბრაუზერი ტრანსკრიბებს თქვენს საუბარს და Piper- ის ხმა კითხულობს პასუხს.

პარამეტრები 7B
ლიცენზია Apache 2.0
ხმა Piper
მოქმედებს ჩვენი გრაფიკული პროცესორები
ინდივიდუალური პერსონაჟები
GitHub