AI മോഡല്‍സ്

ഏറ്റവും നല്ല തുറന്ന സംസാരം നമുക്ക് ഏര്‍പ്പാട് ചെയ്യാം. എല്ലാ മോഡലുകളും API and വെബ് ഇന്റര്‍ഫെയിസ് വഴി ലഭ്യമാണ്.

Text-to-Speech Models

Chatterbox
ശുപാര്‍ശ ചെയ്തിരിയ്ക്കുന്നു

23 ഭാഷകളില്‍ ഒരു ചെറിയ റിഫയര്‍ സാമ്പിള്‍ നിന്നും സോറോ- ഹോട്ട് ശബ്ദം ക്ളോന്‍. നമ്മുടെ സഹജമായ ക്ളോറന്‍ മോഡല്‍, AI dubbinging ല്‍ ശബ്ദം, നമ്മുടെ സ്വതവേയുള്ള ശബ്ദമാറ്റ മോഡല്‍ (ചര്‍ട്ടബോക്സ് VC).

ഭാഷകള്‍ 23
റഫറന്‍സ് ഓഡിയോ 6 മുതല്‍ 60-കള്‍
VRAM ~5GB
അനുമതി MIT
സീറോ- ഹോട്ട് ക്ലോണ്‍ ശബ്ദം മാറ്റുന്നു ബഹുവചനം വ്യാപാരം ഉപയോഗം
കൊക്കോറോ, പിപ്പർ, വി.ടി. ബാർക്

Four open text to speech engines behind one voice picker. Kokoro 82M (Apache 2.0) is the default; Piper offers only voices whose training data allows commercial use; VITS adds 109 English speakers and Bark 130 presets in 13 languages.

ശബ്ദംകള്‍ 316
ഭാഷകള്‍ 19
എഞ്ചിന്‍സ് 4
ഡൌണ്‍ലോട് ചെയ്യുക എം. ബി3, WAV, OGG, ഫ്ലാക്
ബഹുവചനം വ്യാപാര ഉപയോഗം അനുവദിക്കുന്നു
വാചകം സംസാരിക്കാന്‍ ശ്രമിക്കുക
OpenVoice v2

ടോണ്‍ നിറമാറ്റിയും ക്ളോറന്‍ മോഡലും. ശബ്ദമാറ്റം, ഇവിടെ ചാറ്റര്‍ബോക്സ് VC സഹജമായി ആണു്. കാരണം അത് ലക്ഷ്യത്തിന്റെ ശബ്ദത്തില്‍ കൂടുതല്‍ കൂടുതല്‍ മുന്‍ഗണന നല്‍കുന്നു.

നമ്മുടെ പരീക്ഷണത്തില്‍ ശബ്ദം പൊരുത്തപ്പെടുന്നു OpenVoice v2: 0.17 to 0.35
നമ്മുടെ പരീക്ഷണത്തില്‍ ശബ്ദം പൊരുത്തപ്പെടുന്നു Chatterbox VC: 0.64 to 0.75
അനുമതി 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.

ശബ്ദം മാറ്റുന്നു ഐച്ഛികം
GitHub

സംസാരത്തില്‍ നിന്നും ലേഖനങ്ങളുടെ മോഡലുകള്‍

Whisper Large v3
ഏറ്റവും ഉപയോഗത്തിലുളള

ഓപ്പണ്‍ AIയുടെ തുറന്ന ഭാഷാലക്ഷണമാതൃക. ട്രാൻ 100 ഭാഷകൾ എഴുതുന്നു.

ഭാഷകള്‍ 100
പരാമീറ്ററുകള്‍ 1.5B
VRAM ~10 ജി.ജി. ബി
Language detection യാന്ത്രികം
സ്വതവേയുള്ള മാതൃക ബഹുവചനം സമയ വേഗത കുറയ്ക്കുക [J]
Whisper Large v3 Turbo

വേഗമുള്ള വിന്‍സ്പര്‍ ബഡ്‌ v3-ന്റെ ചെറിയ, വേഗത്തിലുള്ള പതിപ്പ്. ഇത് ഒരു ശല്യം പോലെ എടുക്ക്.

ഭാഷകള്‍ 100
പരാമീറ്ററുകള്‍ 809M
VRAM ~6GB
അനുമതി MIT
വേഗത്തില്‍ ബഹുവചനം

ശബ്ദ സല്ലാപം

Qwen2.5 7B Instruct

ശബ്ദ ചാറ്റില്‍ മറുപടി എഴുതുന്ന തുറന്ന ഭാഷാ മോഡ്, നിങ്ങള്‍ തിരഞ്ഞെടുക്കുന്ന വ്യക്തിയില്‍. നിങ്ങളുടെ ബ്രൌസര്‍ നിങ്ങളുടെ സംസാരം രേഖപ്പെടുത്തുന്നു. പിപ്പർ ശബ്ദം ഉച്ചത്തിൽ വായിക്കുന്നു.

പരാമീറ്ററുകള്‍ 7B
അനുമതി Apache 2.0
ശബ്ദം Piper
പ്രവര്‍ത്തിക്കുന്നുണ്ട് ഞങ്ങളുടെ ജിപിയുസ്
ഇഷ്ടാനുസൃതമായ വ്യക്തി
GitHub