AI ಮಾದರಿಗಳು

ನಾವು ಅತ್ಯುತ್ತಮ ತೆರೆದ- ತಾಣದ AI ಮಾದರಿಗಳನ್ನು ಸಂರಚಿಸುತ್ತೇವೆ. ಎಲ್ಲಾ ಮಾದರಿಗಳು API ಹಾಗು ಜಾಲ ಸಂಪರ್ಕತಟದ ಮೂಲಕ ಲಭ್ಯವಿವೆ.

ಪಠ್ಯದಿಂದ ವಾಚನದ ಮಾದರಿಗಗಳುComment

Chatterbox
ಸಲಹೆ ಮಾಡಲಾಗಿದೆ

ಜೀರೋ- swork ಧ್ವನಿಯು 23 ಭಾಷೆಗಳಲ್ಲಿ, ಒಂದು ಚಿಕ್ಕ ಉಲ್ಲೇಖ ನಮೂನೆಯಿಂದ ನ್ಯಾವಿಗೇಟ್‌ ಆಗಿದೆ. ನಮ್ಮ ಪೂರ್ವನಿಯೋಜಿತ ಕ್ಯೂನಿಫಾರಂ ಮಾದರಿ, AI dubbinging ಧ್ವನಿಗಳು, ಮತ್ತು ನಮ್ಮ ಪೂರ್ವನಿಯೋಜಿತ ಧ್ವನಿ ಪರಿವರ್ತನೆ (ಚಾಲ್ಟರ್ ಬಾಕ್ಸ್ VC).

ಭಾಷೆಗಳು. 23
ರೆಫರೆನ್ಸ್ ಶ್ರೇಣಿಯ್ 6 ರಿಂದ 60 ಸೆ
VRAM ~5GB
ಪರವಾನಗಿ MIT
ಶೂನ್ಯ- ಭಂಧನ ಕ್ಲಾನ್‌ ಸ್ವರ ಬದಲಾವಣೆ ಬಹುಮಾಧ್ಯಮ ವ್ಯಾಪಾರ ಬಳಕೆ
ಕೋಕೋರೋ, ಪಿವರ್‌, ವಿಟ್ಸ್‌ ಮತ್ತು ಬಾರ್ಕ್‌

ಒಂದೇ ಧ್ವನಿಯನ್ನು ತೆಗೆಯುವವನಾಗಿರುವ ಎಂಜಿನ್‌ಗಳನ್ನು ಮಾತಾಡುವಂತೆ ನಾಲ್ಕು ತೆರೆದ ಪಠ್ಯ. ಕೋಕೋರೋ 82M (ಆಪೇಶಾ 2.0) ಪೂರ್ವನಿಯೋಜಿತವಾಗಿದೆ; ಪಿಪರ್‌ ಮಾತ್ರ ಶಬ್ದಗಳನ್ನು ನೀಡುತ್ತಾರೆ; ಅವುಗಳಿಂದ ಜಾಹೀರಾತು ನೀಡಲಾಗುತ್ತದೆ; VITS 109 ಇಂಗ್ಲಿಷ್‌ ಭಾಷಣಕಾರರನ್ನೂ ಬಾರ್ಕ್‌ 130 ಸೆಂಟರ್‌ಗಳನ್ನೂ 13 ಭಾಷೆಗಳಲ್ಲಿ ಸೇರಿಸುತ್ತದೆ.

ಧ್ವನಿಗಳು 316
ಭಾಷೆಗಳು. 19
ಸಾಧನಗಳು 4
ನಕಲಿಳಿಸು MP3, WAV, OGG, FLAC (ಇವು ಆಡಿಯೋ ಫೈಲ್‌ಗಳ ಸ್ವರೂಪಗಳು).
ಬಹುಮಾಧ್ಯಮ ಮಾರಾಟಗಾರ ಬಳಕೆಯನ್ನು ಅನುಮತಿಸಲಾಗಿದೆ
ಮಾತಾಡಲು ಪಠ್ಯವನ್ನು ಪ್ರಯತ್ನಿಸಿ
OpenVoice v2

ಟೋನೆ ಬಣ್ಣ ಬದಲಾವಕ ಮತ್ತು KNoticons ಮೆಲಡರ್. ಇನ್ನೂ ಸಹ ಧ್ವನಿ ಬದಲಾಯಿಸಬಹುದಾದ, ಇಲ್ಲಿ ಶಾರ್ಟ್ಬಾಕ್ಸ್ VC ಪೂರ್ವನಿಯೋಜಿತವಾಗಿದೆ, ಏಕೆಂದರೆ ಅದು ಗುರಿಪಟ್ಟಿಯ ಧ್ವನಿಯಲ್ಲಿ ಹೆಚ್ಚಿನದನ್ನು ಇರಿಸುತ್ತದೆ.

ನಮ್ಮ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಧ್ವನಿ ಹೊಂದಾಣಿಕೆ. OpenVoice v2: 0.17 to 0.35
ನಮ್ಮ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಧ್ವನಿ ಹೊಂದಾಣಿಕೆ. Chatterbox VC: 0.64 to 0.75
ಪರವಾನಗಿ MIT

ರೂಪಾಂತಿತ ಆಡಿಯೋ ದಾಖಲೆಗಳನ್ನು ಮೂಲ ವ್ಯಕ್ತಿಯ ಧ್ವನಿಯೊಂದಿಗೆ ಹೋಲಿಸಿದಾಗ, ಆ ಧ್ವನಿಗಳ ಸಾಮ್ಯತೆ ಕಂಡುಬರುತ್ತದೆ. ಒಂದೇ ವ್ಯಕ್ತಿಯ ಎರಡು ಆಡಿಯೋ ತುಣುಕುಗಳ ನಡುವಿನ ಸಾಮ್ಯತೆಯು 0.76 ರಿಂದ 0.88 ರವರೆಗಿನ ಪ್ರಮಾಣದಲ್ಲಿರುತ್ತದೆ.

ಸ್ವರ ಬದಲಾವಣೆ ಆಯ್ಕೆ
GitHub

ಭಾಷೆಗೆ- ಪಠ್ಯದ ಮಾದರಿಗಳ ಮಾದರಿಗಳು

Whisper Large v3
ಹೆಚ್ಚು ಬಳಸಲಾದ

OpenAI ನ ತೆರೆದ-ಸಂಪರ್ಕದ ಮಂಡಣೆ ಮಾದರಿ. ರೈನ್‌ 100 ಭಾಷೆಗಳು, ಅಂದರೆ ಕಾಲಮಿಂಚು ಮತ್ತು ಸ್ವಯಂಚಾಲಕ ಭಾಷೆಯ ಆನ್‌ಲೈನ್‌ ಪತ್ತೆಹಚ್ಚುವಿಕೆಗೆ ಸಂಬಂಧಿಸಿದಂಥ 100 ಭಾಷೆಗಳನ್ನು ಬರೆಯುತ್ತದೆ.

ಭಾಷೆಗಳು. 100
ಪ್ರಮಿತಿಗಳು 1.5B
VRAM ~10 ಜಿ. ಬಿ
ಭಾಷೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಸ್ವಯಂಚಾಲಿತ
ಪೂರ್ವನಿಯೋಜಿತ ಮಾದರಿ ಬಹುಮಾಧ್ಯಮ ಸಮಯ ಮೀರಿದೆ
Whisper Large v3 Turbo

"ವಿಸ್ಪರ್ ಲಾರ್ಜ್ ವಿ3" ನ ಒಂದು ಚಿಕ್ಕದಾದ, ವೇಗದ ಆವೃತ್ತಿ, ಇದು ಶೀಘ್ರವಾಗಿ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು (ಲಿಖಿತ ರೂಪಕ್ಕೆ ಪರಿವರ್ತನೆ) ಮಾಡಲು ಉಪಯುಕ್ತವಾಗಿದೆ. ಇದನ್ನು "ವಿಸ್ಪರ್-ಟರ್ಬೋ" ಎಂದು ಆರಿಸಿಕೊಳ್ಳಿ."

ಭಾಷೆಗಳು. 100
ಪ್ರಮಿತಿಗಳು 809M
VRAM ~6GB
ಪರವಾನಗಿ MIT
ವೇಗವಾಗಿ ಬಹುಮಾಧ್ಯಮ

ಧ್ವನಿ ಚಾಲ್ ಮಾದರಿ

Qwen2.5 7B Instruct

ನೀವು ಆಯ್ಕೆ ಮಾಡುವ ವ್ಯಕ್ತಿಯ ಧ್ವನಿ ಚಾಟ್‌ನಲ್ಲಿದೆ ಎಂದು ಸೂಚಿಸುವ ಓಪನ್ ಸ್ನಾಯು ಶೈಲಿ. Name ನಿಮ್ಮ ವೀಕ್ಷಣೆ ನಿಮ್ಮ ಭಾಷಣವನ್ನು ರೈನ್‌ ಮಾಡುತ್ತಾಳೆ ಮತ್ತು ಒಂದು ಪಿಪರ್‌ ಸ್ವರವು ಗಟ್ಟಿಯಾಗಿ ಓದುತ್ತದೆ.

ಪ್ರಮಿತಿಗಳು 7B
ಪರವಾನಗಿ Apache 2.0
ಧ್ವನಿ Piper
ಚಲಾಯಿಸಲಾಗುತ್ತಿದೆ ನಮ್ಮ ಗ್ರಾಫಿಕ್ಸ್ ಪ್ರೊಸೆಸಿಂಗ್ ಯುನಿಟ್‌ಗಳು (GPU).
ವೈಯಕ್ತಿಕ ಗ್ರಾಹಕ ಪ್ರೊಫೈಲ್‌ಗಳು.
GitHub