ແບບ​ແບບ AI

ພວກເຮົາລວມເອົາແບບຟອມ AI ເວົ້າ Open Source ທີ່ດີທີ່ສຸດ. ທຸກໆແບບຟອມແມ່ນມີຢູ່ຜ່ານ API ແລະເວບໄຊທ໌ອິນເຕີເຟດ.

ແບບ​ແບບ​ຂໍ້​ຄວາມ​ເປັນ​ຄຳ​ເວົ້າ

Chatterbox
ແນະນຳ

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).

ພາສາ 23
ສຽງ​ທີ່​ອ້າງອີງ 6 ຫາ 60 ວິນາທີ
VRAM ~5GB ພື້ນ​ຖານ
ໃບອະນຸຍາດ MIT
ການ​ກັ່ນຕອງ Zero-shot ການ​ປ່ຽນ​ສຽງ ຫຼາຍພາສາ ການນໍາໃຊ້​ທາງ​ທຸລະ​ກິດ
ໂຄໂຣ, ປາເປີ, ວີທສ ແລະ ບາກ

Kokoro 82M (Apache 2.0) ແມ່ນ​ເປັນ​ການ​ຕັ້ງ​ຄ່າ​ປັ​ບ​ໂປ​ຣ​ໄຟລ໌​ແບບ​ເດີມ; Piper ສະຫນອງ​ສຽງ​ທີ່​ມີ​ຂໍ້ມູນ​ການ​ຝຶກ​ອົບຮົມ​ອະນຸຍາດ​ໃຫ້​ໃຊ້​ໃນ​ການ​ຄ້າ; VITS ເພີ່ມ​ຜູ້​ເວົ້າ​ພາສາ​ອັງກິດ 109 ຄົນ ແລະ Bark 130 ຕົວ​ເລືອກ​ກ່ອນ​ໃນ 13 ພາສາ.

ສຽງ 316
ພາສາ 19
ເຄື່ອງຈັກ 4
ດາວໂຫລດ MP3, WAV, OGG, FLAC
ຫຼາຍພາສາ ອະນຸຍາດ​ໃຫ້​ໃຊ້​ການ​ຄ້າ
ພະຍາຍາມ​ແປ​ຂໍ້ຄວາມ​ເປັນ​ຄຳ​ເວົ້າ
OpenVoice v2

ຕົວ​ປ່ຽນ​ສີ​ສຽງ ແລະ ແບບ​ແບບ​ການ​ກັ່ນຕອງ. ຍັງມີ​ການ​ເລືອກ​ໄດ້​ສຳລັບ​ການ​ປ່ຽນ​ສຽງ, ບ່ອນ​ທີ່ Chatterbox VC ແມ່ນ​ປັ​ນ​ເດີມ​ເພາະ​ມັນ​ຮັກສາ​ສຽງ​ເປົ້າ​ໝາຍ​ໄວ້​ຫຼາຍ​ກວ່າ​ເກົ່າ.

ສຽງ​ທີ່​ກົງ​ກັນ​ໃນ​ການ​ທົດສອບ​ຂອງພວກເຮົາ OpenVoice v2: 0.17 to 0.35
ສຽງ​ທີ່​ກົງ​ກັນ​ໃນ​ການ​ທົດສອບ​ຂອງພວກເຮົາ Chatterbox VC: 0.64 to 0.75
ໃບອະນຸຍາດ MIT

ສຽງ​ຄ້າຍຄື​ກັນ​ຂອງ​ຜູ້​ເວົ້າ​ຂອງ​ການ​ບັນທຶກ​ທີ່​ໄດ້​ປ່ຽນ​ແປງ​ໄປ​ຫາ​ຄລິບ​ທີ່​ແຕກ​ຕ່າງ​ກັນ​ຂອງ​ຜູ້​ເວົ້າ​ເປົ້າ​ໝາຍ. ສອງ​ຄລິບ​ຂອງ​ຜູ້​ເວົ້າ​ທີ່​ຈິງ​ຄື​ກັນ​ໄດ້​ຄະແນນ 0.76 ເຖິງ 0.88.

ການ​ປ່ຽນ​ສຽງ ທາງເລືອກ
GitHub

Speech-to-Text Models

Whisper Large v3
ຫຼາຍທີ່ສຸດ

ແບບຟອມການຮັບຮູ້ການເວົ້າ OpenAI's open-source. ແປພາສາ 100 ພາສາ, ດ້ວຍການກວດສອບເວລາແລະກວດພົບພາສາອັດຕະໂນມັດ.

ພາສາ 100
​ប៉ារ៉ាម៉ែត្រ 1.5B
VRAM ~10GB ຂະ​ໜາດ
ການກວດພົບພາສາ ​ស្វ័យ​ប្រវត្តិ
ແບບ​ແບບ​ເດີມ ຫຼາຍພາສາ ເວລາ​
Whisper Large v3 Turbo

ນ້ອຍກວ່າ, ໄວກວ່າ ສະບັບຂອງ Whisper ໃຫຍ່ v3 ສໍາລັບ transcripts ໄວກວ່າ. ເລືອກມັນເປັນ whisper- turbo.

ພາສາ 100
​ប៉ារ៉ាម៉ែត្រ 809M
VRAM ~6GB ພື້ນ​ຖານ
ໃບອະນຸຍາດ MIT
ໄວ​ກວ່າ ຫຼາຍພາສາ

ແບບ​ຟອມ​ການ​ສົນ​ທະ​ນາ​ສຽງ

Qwen2.5 7B Instruct

ແບບຟອມພາສາ Open Source ທີ່ຂຽນຄໍາຕອບໃນການສົນທະນາສຽງ, ໃນຕົວລະຄອນທີ່ທ່ານເລືອກ. ຕົວທ່ອງເວັບຂອງທ່ານຈະແປຄໍາເວົ້າຂອງທ່ານ ແລະ ສຽງ Piper ຈະອ່ານຄໍາຕອບອອກມາ.

​ប៉ារ៉ាម៉ែត្រ 7B
ໃບອະນຸຍາດ Apache 2.0
ສຽງ Piper
ແລ່ນ​ຢູ່ GPUs ຂອງພວກເຮົາ
ຕົວ​ເລືອກ​ផ្ទាល់ខ្លួន
GitHub