AI मॉडेल

आम्ही सर्वोत्तम ओपन सोर्स स्पीच एआय मॉडेल एकत्रित करतो. सर्व मॉडेल API आणि वेब इंटरफेसद्वारे उपलब्ध आहेत.

Text-to-Speech Models

Chatterbox
शिफारस केलेले

23 भाषांमध्ये, एका छोट्या संदर्भ नमुन्यापासून शून्य-शॉट आवाज क्लोनिंग. आमचे मुलभूत क्लोनिंग मॉडेल, AI डबिंगमध्ये आवाज, आणि आमचे मुलभूत आवाज रूपांतरण मॉडेल (Chatterbox VC).

भाषा. 23
संदर्भ ऑडिओ 6 ते 60 सेकंद
VRAM ~5GB पासून
परवाना MIT
Zero-shot क्लोनिंग Voice Conversion बहुभाषिक व्यावसायिक वापर
कोकोरो, पाइपर, व्हिट्स व बारक

चार 'टेक्स्ट-टू-स्पीच' इंजिन एकाच व्हॉइस पिकरमध्ये समाविष्ट आहेत. 'कोकोरो ८२एम' (अपाचे २.०) हे डिफॉल्ट (default) आहे; 'पाईपर' फक्त अशा व्हॉईस पुरवते ज्यांच्या ट्रेनिंग डेटाचा व्यावसायिक वापरासाठी परवाना आहे; 'व्हिट्स'मध्ये १०९ इंग्रजी भाषिक आणि 'बार्क'मध्ये १३ भाषांमधील १३० प्रीसेट उपलब्ध आहेत.

आवाज 316
भाषा. 19
इंजिन 4
डाउनलोड एमपी3, डब्ल्यूएव्ही, ओजीजी, फ्लॅक.
बहुभाषिक व्यावसायिक वापरास परवानगी
पाठ्य- ते- वक्तव्य चाचणी करा
OpenVoice v2

टोन रंग रूपांतरक व क्लोन मॉडेल. आवाज रूपांतरन करीता अजूनही निवडता येते, जेथे चॅटबॉक्स व्हिसी आता मुलभूत आहे कारण ते लक्ष्य आवाजापेक्षा जास्त ठेवते.

आवाज चाचणी मध्ये जुळले OpenVoice v2: 0.17 to 0.35
आवाज चाचणी मध्ये जुळले Chatterbox VC: 0.64 to 0.75
परवाना MIT

लक्ष्य स्पीकरच्या वेगळ्या क्लिपशी बदलविलेले रेकॉर्डिंगचे स्पीकर समानता. सारख्या वास्तविक स्पीकरचे दोन क्लिप 0.76 ते 0.88 गुण मिळवितात.

Voice Conversion वैकल्पिक
GitHub

भाषण-आधारित मजकूर रूपांतरण प्रणाली.

Whisper Large v3
सर्वात जास्त वापरले गेलेले

OpenAI चे खुला स्रोत भाषण ओळखणी मॉडेल. 100 भाषा, वेळ चिन्ह व स्वचालित भाषा शोध सह रिकॉर्ड करते.

भाषा. 100
पैरामीटर 1.5B
VRAM ~10GB पासून
भाषा शोध स्वयंचलित
मुलभूत मॉडेल बहुभाषिक वेळ चिन्ह
Whisper Large v3 Turbo

A smaller, faster version of Whisper Large v3 for quicker transcripts. Pick it as whisper-turbo.

भाषा. 100
पैरामीटर 809M
VRAM ~6GB पासून
परवाना MIT
जलद बहुभाषिक

आवाज संवाद मॉडेल

Qwen2.5 7B Instruct

आवाज संवाद करीता उत्तरे लिहिण्याकरीता ओपन- सोर्स भाषा मॉडेल, तुम्ही निवडलेल्या व्यक्तिमत्त्वात. तुमचा ब्राऊजर तुमचे भाषण रिकॉर्ड करतो व Piper आवाज उत्तर जोरात वाचतो.

पैरामीटर 7B
परवाना Apache 2.0
आवाज Piper
वर चालविले जाते आमचे GPUs
इच्छिक व्यक्तिरेखा
GitHub