AI မော်ဒယ်များ

ကျွန်တော်တို့ဟာအကောင်းဆုံးဖွင့်-source စကားပြော AI ပုံစံများပေါင်းစပ်။ အားလုံးပုံစံများ API နှင့် web interface ကိုမှတဆင့်ရရှိနိုင်သည်။

စာသားမှစကားပြောမော်ဒယ်များ

Chatterbox
အကြံပြုချက်

23 ဘာသာစကားများ, တိုတောင်းသောအညွှန်းကိန်းနမူနာမှ Zero-shot အသံ cloning ။ ကျွန်တော်တို့ရဲ့ default ကို clone ပုံစံ, AI dubbing တွင်အသံများ, နှင့်ကျွန်တော်တို့ရဲ့ default ကိုအသံပြောင်းပြန်ပုံစံ (Chatterbox VC) ။

ဘာသာစကားများ 23
အသံကို ရည်ညွှန်းပါ ၆ မှ ၆၀ စက္ကန့်
VRAM ~5GB အထိ
လိုင်စင် MIT
Zero-shot ကူးယူခြင်း အသံပြောင်းခြင်း ဘာသာစကား များစွာ စီးပွားရေးလုပ်ငန်းအသုံးပြုမှု
Kokoro, Piper, VITS နှင့် Bark

Kokoro 82M (Apache 2.0) သည် default ဖြစ်သည်၊ Piper သည်သင်တန်းပေးသည့် data များကို စီးပွားရေးလုပ်ငန်းသုံးစွဲမှုအတွက်သာ အသုံးပြုနိုင်သည့် voice များကိုသာ ပေးသည်။ VITS သည် 109 English speakers နှင့် Bark 130 presets များကို 13 languages များတွင် ထည့်သွင်းပေးသည်။

အသံများ 316
ဘာသာစကားများ 19
အင်ဂျင်များ 4
ဒေါင်းလုပ်လုပ် MP3, WAV, OGG, FLAC
ဘာသာစကား များစွာ စီးပွားရေးလုပ်ငန်းအသုံးပြုခွင့်ပြု
စာသားမှစကားပြောကို စမ်းကြည့်ပါ
OpenVoice v2

Tone အရောင် converter နှင့် clone ပုံစံ။ စကားပြောပြောင်းလဲမှုအတွက်ရွေးချယ်နိုင်သေး, Chatterbox VC နေရာမှာယခု default ဖြစ်ပါတယ်ဒါကြောင့်ရည်မှန်းချက်စကားပြော၏အလွန်ပိုမိုထိန်းသိမ်းထားသည်။

ကျွန်တော်တို့ရဲ့စမ်းသပ်မှုမှာအသံကိုချိန်ညှိ OpenVoice v2: 0.17 to 0.35
ကျွန်တော်တို့ရဲ့စမ်းသပ်မှုမှာအသံကိုချိန်ညှိ Chatterbox VC: 0.64 to 0.75
လိုင်စင် MIT

ရည်ရွယ်ချက်ပြောဆိုသူ၏ကွဲပြားခြားနားသော clip ကိုသို့ပြောင်းပြန်မှတ်တမ်းတင်၏ Speaker တူညီမှု။ တူညီသောအစစ်အမှန်ပြောဆိုသူ၏နှစ်ခု clip များ score 0.76 မှ 0.88 ။

အသံပြောင်းခြင်း ရွေးချယ်စရာ
GitHub

စကားပြော-စာသား ပုံစံများ

Whisper Large v3
အများဆုံးအသုံးပြု

OpenAI ၏ open-source စကားပြောအသိအမှတ်ပြုမှုပုံစံ။ transcribes 100 ဘာသာစကားများ, timestamps နှင့်အလိုအလျောက်ဘာသာစကားရှာဖွေတွေ့ရှိခြင်းနှင့်အတူ။

ဘာသာစကားများ 100
သတ်မှတ်ချက်များ 1.5B
VRAM ~10GB အထိ
ဘာသာစကား ရှာဖွေခြင်း အလိုအလျောက်
မူလပုံစံ ဘာသာစကား များစွာ အချိန်အမှတ်များ
Whisper Large v3 Turbo

အသေးစား, မြန်မြန်ဆန်ဆန် transcripts အတွက် Whisper ကြီးမားသော v3 ၏ပိုမိုမြန်ဆန်သောဗားရှင်း. whisper-turbo အဖြစ် pick it.

ဘာသာစကားများ 100
သတ်မှတ်ချက်များ 809M
VRAM ~6GB အထိ
လိုင်စင် MIT
ပိုမြန် ဘာသာစကား များစွာ

အသံစကားပြောဆိုမှုပုံစံ

Qwen2.5 7B Instruct

Voice Chat တွင်တုံ့ပြန်ချက်ကိုရေးသားသော open-source ဘာသာစကားပုံစံ, သင်ရွေးပါ persona တွင်. သင့်ရဲ့ browser ကိုသင်၏စကားပြော transcribes နှင့် Piper အသံကိုအသံထွက်တုံ့ပြန်ချက်ဖတ်ရှု.

သတ်မှတ်ချက်များ 7B
လိုင်စင် Apache 2.0
အသံ Piper
အပေါ်တွင် လုပ်ဆောင်နေသည် ကျွန်တော်တို့ရဲ့ GPUs
ကိုယ်ပိုင်
GitHub