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 केलेले23 भाषांमध्ये, एका छोट्या संदर्भ नमुन्यापासून शून्य-शॉट आवाज क्लोनिंग. आमचे मुलभूत क्लोनिंग मॉडेल, AI डबिंगमध्ये आवाज, आणि आमचे मुलभूत आवाज रूपांतरण मॉडेल (Chatterbox VC).
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.
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.
लक्ष्य स्पीकरच्या वेगळ्या क्लिपशी बदलविलेले रेकॉर्डिंगचे स्पीकर समानता. सारख्या वास्तविक स्पीकरचे दोन क्लिप 0.76 ते 0.88 गुण मिळवितात.
भाषण-आधारित मजकूर रूपांतरण प्रणाली.
Whisper Large v3
सर्वात जास्त वापरले गेलेलेOpenAI चे खुला स्रोत भाषण ओळखणी मॉडेल. 100 भाषा, वेळ चिन्ह व स्वचालित भाषा शोध सह रिकॉर्ड करते.
Whisper Large v3 Turbo
A smaller, faster version of Whisper Large v3 for quicker transcripts. Pick it as whisper-turbo.
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.