AI үлгілері

Біз ең жақсы ашық көзді сөйлеу ИИ модельдерін біріктіреміз. Барлық модельдер API және веб интерфейсі арқылы қол жетімді.

Тексттен сөйлеу моделі.

Chatterbox
Жөнелту

23 тілде қысқаша сілтеме үлгісінен дыбыстарды клондау. Әдетті клондау моделі, AI дублдеудегі дыбыстар, және әдетті дыбыс аудару моделі (Chatterbox VC).

Тілдер 23
Сілтеме аудиосы 6 - 60 сек
VRAM ~5Гб
Лицензия MIT
Zero- shot клондау Дыбыс аудармасы Көп тілді Коммерциялық
Кокоро, Пайпер, ВИТС және Барк

Төрт ашық мәтінді сөйлеу жүйесі бір дауыс таңдаушы арқылы жұмыс істейді. Kokoro 82M (Apache 2.0) - стандартты жүйе; Piper тек коммерциялық пайдалануға рұқсат етілген дауыстарды ұсынады; VITS 109 ағылшын тілінде сөйлейтін адамның дауысын, ал Bark 13 тілде 130 алдын-ала орнатылған параметрді қосады.

Дыбыстар 316
Тілдер 19
Тетігі 4
Жүктеп алу MP3, WAV, OGG, FLAC
Көп тілді Коммерциялық пайдалануға рұқсат
Мәтінді дыбысқа айналдыру
OpenVoice v2

Түсті түрлендіргіш және клон модельі. Дыбыс аудару үшін әлі таңдауға болады, бірақ Chatterbox VC енді әдетті, себебі ол мақсатты дыбыстың көп бөлігін сақтайды.

Дыбыс тесті OpenVoice v2: 0.17 to 0.35
Дыбыс тесті Chatterbox VC: 0.64 to 0.75
Лицензия MIT

Трансформацияланған аудиожазбалардың дауысы, мақсатты сөйлеушінің басқа аудиофрагментімен ұқсастығы. Екі бірдей адамның аудиофрагменттерінің ұқсастық коэффициенті 0,76-дан 0,88-ге дейін құрайды.

Дыбыс аудармасы Қосымша
GitHub

Сөйлеуді мәтінге түрлендіретін модельдер.

Whisper Large v3
Ең көп қолданылған

OpenAI- нің ашық көзді сөйлеу таныу моделі. 100 тілде, уақыт белгісімен және тілді автоматты түрде анықтаумен аударады.

Тілдер 100
Параметрлер 1.5B
VRAM ~10Гб
Тілді анықтау Автоматты
Әдетті үлгісі Көп тілді Уақыт белгісі
Whisper Large v3 Turbo

Whisper Large v3- нің шағын, жылдам нұсқасы тезірек транскрипция жасау үшін. Whisper- turbo деп таңдаңыз.

Тілдер 100
Параметрлер 809M
VRAM ~6Гб
Лицензия MIT
Жедел Көп тілді

Дыбыс тегін әңгімелесу үлгісі

Qwen2.5 7B Instruct

Дыбыс тегін әңгімелесуінде жауапты Сіз таңдаған адамға жазатын ашық көзді тіл моделі. Шолғышыңыз сөйлеген сөзіңізді аударып, Piper дауысы жауапты дауыспен оқиды.

Параметрлер 7B
Лицензия Apache 2.0
Дыбыс Piper
Орындалуы Біздің графикалық процессорлар
Өзінің персоналары
GitHub