AI ନମୁନାଗୁଡ଼ିକ
ଆମେ ଶ୍ରେଷ୍ଠ ମୁକ୍ତ ଉତ୍ସ ଭାଷା ଆଇଏମ୍ଏ ମଡେଲକୁ ଏକାଠି କରିଛୁ ।
Text-to-Speech Models
Chatterbox
ପରାମର୍ଶ ଦିଆଯାଉଛିଗୋଟିଏ ସଂକ୍ଷିପ୍ତ ସଂଯୋଗ ନମୁନାରୁ ଶୂନ୍ୟ-ଶଟ ସ୍ୱର କ୍ଲୋନିଂ, 23 ଭାଷାରେ। ଆମର ପୂର୍ବନିର୍ଦ୍ଧାରିତ କ୍ଲୋନିଂ ମଡେଲ, AI ଡବିଂରେ ସ୍ୱରଗୁଡ଼ିକ, ଏବଂ ଆମର ପୂର୍ବନିର୍ଦ୍ଧାରିତ ସ୍ୱର ପରିବର୍ତ୍ତନ ମଡେଲ (ଚାଟରବକ୍ସ VC)।
କୋକୋରୋ, ପିପର, ଭିଟିଏସ ଏବଂ ବାର୍କ
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.
OpenVoice v2
ଟୋନ ରଙ୍ଗ ପରିବର୍ତ୍ତକ ଏବଂ କ୍ଲୋନିଙ୍ଗ ମଡେଲ। ଭାଷା ପରିବର୍ତ୍ତନ ପାଇଁ ଏପର୍ଯ୍ୟନ୍ତ ବାଛିହେବ, ଯେଉଁଠାରେ ଚାଟରବକ୍ସ VC ବର୍ତ୍ତମାନ ପୂର୍ବନିର୍ଦ୍ଧାରିତ କାରଣ ଏହା ଲକ୍ଷ୍ୟ ଭାଷାର ଅଧିକାଂଶକୁ ଧାରଣ କରିଥାଏ।
ଲକ୍ଷ୍ୟ ବାକ୍ୟବକ୍ତାଙ୍କ ଭିନ୍ନ ଏକ କଲିପକୁ ପରିବର୍ତ୍ତିତ ରେକର୍ଡିଂର ବକ୍ତା ସମାନତା। ସମାନ ପ୍ରକୃତ ବାକ୍ୟବକ୍ତାଙ୍କ ଦୁଇଟି କଲିପ ସ୍କୋର 0.76 ରୁ 0.88।
Speech-to-Text Models
Whisper Large v3
ସର୍ବାଧିକ ବ୍ୟବହୃତOpenAI ର ମୁକ୍ତ-ସୋର୍ସ ଭାଷା ପରିଚୟ ମଡେଲ। ସମୟସୀମା ଏବଂ ସ୍ୱୟଂଚାଳିତ ଭାଷା ଅନୁସନ୍ଧାନ ସହିତ 100 ଭାଷାକୁ ଅନୁବାଦ କରିଥାଏ।
Whisper Large v3 Turbo
ଦ୍ରୁତ ଅନୁବାଦ ପାଇଁ Whisper Large v3 ର ଗୋଟିଏ ଛୋଟ, ଦ୍ରୁତ ସଂସ୍କରଣ। ଏହାକୁ whisper-turbo ଭାବରେ ବାଛନ୍ତୁ।
ଧ୍ୱନି ଚାଟ ମଡେଲ
Qwen2.5 7B Instruct
ମୁକ୍ତ-ସଂସ୍ଥା ଭାଷା ମଡେଲ ଯାହାକି ଧ୍ୱନି ଚାଟରେ ଉତ୍ତର ଲେଖେ, ଆପଣ ବାଛିଥିବା ବ୍ୟକ୍ତିତ୍ୱରେ। ଆପଣଙ୍କର ବ୍ରାଉଜର ଆପଣଙ୍କର ବକ୍ତବ୍ୟକୁ ଅନୁବାଦ କରିଥାଏ ଏବଂ Piper ଧ୍ୱନି ଉତ୍ତରକୁ ଉଚ୍ଚାରଣ କରିଥାଏ।