ម៉ូដែល AI

យើងបានរួមបញ្ចូលម៉ូដែល AI និយាយប្រភពបើកចំហល្អបំផុត។ ម៉ូដែលទាំងអស់អាចរកបានតាមរយៈ API និងចំណុចប្រទាក់បណ្តាញ។

អត្ថបទ​ទៅ​ជា​ម៉ូដែល​និយាយ

Chatterbox
ផ្ដល់​អនុសាសន៍

Zero-shot voice cloning from a short reference sample, in 23 languages. Our default cloning model, the voices in AI dubbing, and our default voice conversion model (Chatterbox VC).

ភាសា 23
អូឌីយ៉ូ​យោង ៦ ទៅ ៦០ វិនាទី
VRAM ~5ជីកាបៃ
អាជ្ញាបណ្ណ MIT
ការ​ក្លូន Zero- Shot ការ​បម្លែង​សំឡេង ភាសា​ច្រើន ការ​ប្រើ​ពាណិជ្ជកម្ម
Kokoro, Piper, VITS និង Bark

អត្ថបទ​បើក​ចំហ​បួន​ទៅ​ម៉ាស៊ីន​និយាយ​នៅ​ពី​ក្រោយ​អ្នក​ជ្រើស​សំឡេង​មួយ ។ Kokoro 82M (Apache 2.0) គឺ​ជា​លំនាំ​ដើម Piper ផ្ដល់​តែ​សំឡេង​ដែល​ទិន្នន័យ​បណ្តុះ​បណ្តាល​អនុញ្ញាត​ឲ្យ​ប្រើ​ពាណិជ្ជកម្ម VITS បន្ថែម​អ្នក​និយាយ​ភាសា​អង់គ្លេស 109 និង Bark 130 កំណត់​ជាមុន​ក្នុង​ភាសា 13 ។

សំឡេង 316
ភាសា 19
ម៉ាស៊ីន 4
ទាញយក MP3, WAV, OGG, FLAC
ភាសា​ច្រើន អនុញ្ញាត​ឲ្យ​ប្រើ​ពាណិជ្ជកម្ម
ព្យាយាម​អត្ថបទ​ទៅ​ការ​និយាយ
OpenVoice v2

ម៉ូដែល​ក្លូន និង​កម្មវិធី​បម្លែង​ពណ៌​សំឡេង ។ នៅតែ​អាច​ជ្រើស​សម្រាប់​ការ​បម្លែង​សំឡេង​ដែល​ Chatterbox VC គឺ​ជា​លំនាំដើម​ឥឡូវ​នេះ ព្រោះ​វា​រក្សា​សំឡេង​គោលដៅ​ច្រើន​ជាង​មុន ។

សំឡេង​ផ្គូផ្គង​ក្នុង​ការ​សាកល្បង​របស់​យើង OpenVoice v2: 0.17 to 0.35
សំឡេង​ផ្គូផ្គង​ក្នុង​ការ​សាកល្បង​របស់​យើង Chatterbox VC: 0.64 to 0.75
អាជ្ញាបណ្ណ MIT

Speaker similarity of converted recordings to a different clip of the target speaker. Two clips of the same real speaker score 0.76 to 0.88.

ការ​បម្លែង​សំឡេង ជម្រើស
GitHub

ម៉ូដែល​និយាយ​ទៅ​អត្ថបទ

Whisper Large v3
ប្រើ​ច្រើន​បំផុត

ម៉ូដែល​ការ​ទទួល​ស្គាល់​ការ​និយាយ​ប្រភព​បើក​ចំហ​របស់ OpenAI ។ សរសេរ​ភាសា​ ១០០ ជាមួយ​នឹង​សម្គាល់​ពេលវេលា និង​ការ​រក​ឃើញ​ភាសា​ដោយ​ស្វ័យប្រវត្តិ ។

ភាសា 100
ប៉ារ៉ាម៉ែត្រ 1.5B
VRAM ~ ១០ ជីកាបៃ
ការ​រក​ឃើញ​ភាសា ស្វ័យប្រវត្តិ
ម៉ូដែល​លំនាំដើម ភាសា​ច្រើន ត្រា​ពេលវេលា
Whisper Large v3 Turbo

កំណែ​តូច​ជាង​មុន​របស់ Whisper Large v3 សម្រាប់​ការ​សរសេរ​ឡើងវិញ​លឿន​ជាង​មុន ។ ជ្រើស​វា​ជា whisper- turbo ។

ភាសា 100
ប៉ារ៉ាម៉ែត្រ 809M
VRAM ~ ៦ ជីកាបៃ
អាជ្ញាបណ្ណ MIT
រហ័ស​ជាង ភាសា​ច្រើន

ម៉ូដែល​ជជែក​កំសាន្ត​សំឡេង

Qwen2.5 7B Instruct

ម៉ូដែល​ភាសា​ប្រភព​បើក​ចំហ​ដែល​សរសេរ​ការ​ឆ្លើយតប​ក្នុង​ការ​ជជែក​កំសាន្ត​សំឡេង​ក្នុង​មនុស្ស​ដែល​អ្នក​ជ្រើស ។ កម្មវិធី​រុករក​របស់​អ្នក​សរសេរ​សំឡេង​របស់​អ្នក ហើយ​សំឡេង Piper អាន​ការ​ឆ្លើយតប​ជា​សំឡេង ។

ប៉ារ៉ាម៉ែត្រ 7B
អាជ្ញាបណ្ណ Apache 2.0
សំឡេង Piper
រត់​លើ GPUs របស់យើង
ផ្ទាល់ខ្លួន
GitHub