ВИ модели

Ги интегрираме најдобрите модели на отворен говор. Сите модели се достапни преку API и веб интерфејс.

Модели на текст- во- говор

Chatterbox
Препорачано

Голем клонирање на глас од краток референтен примерок, на 23 јазици. Нашиот стандарден модел на клонирање, гласовите во AI дуbbing, и нашиот стандарден модел за претворање на гласот (Chatterbox VC).

Јазици 23
Референтно аудио 6 до 60 с
VRAM ~5GB
Лиценца MIT
Клонирање со нулти куршуми Гласовно претворање Повеќејазичен Комерцијална употреба
Кокоро, Пајпер, ВИТС и Барк

Четири отворени пораки за говорни мотори зад еден гласач. Кокоро 82М (Apache 2.0) е стандардно; Пајпер нуди само гласови чии податоци за обука дозволуваат комерцијална употреба; ВИТС додава 109 англиски говорници и Барк 130 претпоставени на 13 јазици.

Гласови 316
Јазици 19
Мотори 4
Симни MP3, WAV, OGG, FLAC
Повеќејазичен Комерцијална употреба дозволена
Обиди се да го изговориш текстот
OpenVoice v2

Конвертер на тонови и модел на клонирање. Сеуште може да се избере за конвертирање на глас, каде што Chatterbox VC е сега стандардно бидејќи го држи далеку повеќе од целниот глас.

Гласовниот натпревар во нашиот тест OpenVoice v2: 0.17 to 0.35
Гласовниот натпревар во нашиот тест Chatterbox VC: 0.64 to 0.75
Лиценца MIT

Сличноста на претвораните снимки со друг клип на метата. Два клипа од истиот говорник 0,76 до 0,88.

Гласовно претворање Опционо
GitHub

Модели од говор до текст

Whisper Large v3
Најискористени

Моделот на отворениот говор на OpenAI. Напишува 100 јазици, со временски осигурувања и автоматско откривање на јазикот.

Јазици 100
Параметри 1.5B
VRAM ~10ГБ
Откривање на јазикот Автоматски
Стандарден модел Повеќејазичен Временски & датуми
Whisper Large v3 Turbo

Помала, побрза верзија на шепот Големи V3 за побрзи транскрипти. Избери го како шепот-турбо.

Јазици 100
Параметри 809M
VRAM ~6ГБ
Лиценца MIT
Побрзо. Повеќејазичен

Модел на гласовно чатење

Qwen2.5 7B Instruct

Моделот отворен код за јазик кој ги пишува одговорите во гласовен разговор, во личноста што ја избирате. Вашиот прелистувач го препишува вашиот говор и гласот на Пајпер го чита одговорот наглас.

Параметри 7B
Лиценца Apache 2.0
Глас Piper
Продолжува Нашите ГПУ
Сопствена личност
GitHub