AI ନମୁନାଗୁଡ଼ିକ

ଆମେ ଶ୍ରେଷ୍ଠ ମୁକ୍ତ ଉତ୍ସ ଭାଷା ଆଇଏମ୍‌ଏ ମଡେଲକୁ ଏକାଠି କରିଛୁ ।

Text-to-Speech Models

Chatterbox
ପରାମର୍ଶ ଦିଆଯାଉଛି

ଗୋଟିଏ ସଂକ୍ଷିପ୍ତ ସଂଯୋଗ ନମୁନାରୁ ଶୂନ୍ୟ-ଶଟ ସ୍ୱର କ୍ଲୋନିଂ, 23 ଭାଷାରେ। ଆମର ପୂର୍ବନିର୍ଦ୍ଧାରିତ କ୍ଲୋନିଂ ମଡେଲ, AI ଡବିଂରେ ସ୍ୱରଗୁଡ଼ିକ, ଏବଂ ଆମର ପୂର୍ବନିର୍ଦ୍ଧାରିତ ସ୍ୱର ପରିବର୍ତ୍ତନ ମଡେଲ (ଚାଟରବକ୍ସ VC)।

Languages 23
ସଂରଚନା ଧ୍ୱନି ୬ ରୁ ୬୦ ସେକଣ୍ଡ
VRAM ~5GB ସ୍ଥାପନ କରନ୍ତୁ
ଅନୁମତି ପତ୍ର MIT
ଶୂନ୍ୟ-ଶଟ କ୍ଲୋନିଂ Voice Conversion Multilingual ବାଣିଜ୍ୟିକ ଉପଯୋଗ
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.

ଧ୍ୱନିଗୁଡ଼ିକ 316
Languages 19
Engines 4
ଆହରଣ କରନ୍ତୁ ଏମ୍ପି୩, ୱେଭ୍, ଓଜିଜି, ଫ୍ଲେକ୍.
Multilingual ବାଣିଜ୍ୟିକ ବ୍ୟବହାର ଅନୁମତି ଦିଆଯାଉଛି
ପାଠ୍ୟରୁ ଭାଷାକୁ ଚେଷ୍ଟାକରନ୍ତୁ
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।

ଆମ ପରୀକ୍ଷାରେ ଧ୍ୱନି ମେଳକ OpenVoice v2: 0.17 to 0.35
ଆମ ପରୀକ୍ଷାରେ ଧ୍ୱନି ମେଳକ Chatterbox VC: 0.64 to 0.75
ଅନୁମତି ପତ୍ର MIT

ଲକ୍ଷ୍ୟ ବାକ୍ୟବକ୍ତାଙ୍କ ଭିନ୍ନ ଏକ କଲିପକୁ ପରିବର୍ତ୍ତିତ ରେକର୍ଡିଂର ବକ୍ତା ସମାନତା। ସମାନ ପ୍ରକୃତ ବାକ୍ୟବକ୍ତାଙ୍କ ଦୁଇଟି କଲିପ ସ୍କୋର 0.76 ରୁ 0.88।

Voice Conversion ଇଚ୍ଛାରୂପୀ
GitHub

Speech-to-Text Models

Whisper Large v3
ସର୍ବାଧିକ ବ୍ୟବହୃତ

OpenAI ର ମୁକ୍ତ-ସୋର୍ସ ଭାଷା ପରିଚୟ ମଡେଲ। ସମୟସୀମା ଏବଂ ସ୍ୱୟଂଚାଳିତ ଭାଷା ଅନୁସନ୍ଧାନ ସହିତ 100 ଭାଷାକୁ ଅନୁବାଦ କରିଥାଏ।

Languages 100
ପ୍ରାଚଳଗୁଡ଼ିକ 1.5B
VRAM ~10GB ସ୍ଥାପନ କରନ୍ତୁ
ଭାଷା ଅନୁସନ୍ଧାନ ସ୍ୱୟଂଚାଳିତ
ପୂର୍ବନିର୍ଦ୍ଧାରିତ ଆକାର Multilingual ସମୟ ଚିହ୍ନ
Whisper Large v3 Turbo

ଦ୍ରୁତ ଅନୁବାଦ ପାଇଁ Whisper Large v3 ର ଗୋଟିଏ ଛୋଟ, ଦ୍ରୁତ ସଂସ୍କରଣ। ଏହାକୁ whisper-turbo ଭାବରେ ବାଛନ୍ତୁ।

Languages 100
ପ୍ରାଚଳଗୁଡ଼ିକ 809M
VRAM ~6GB ସ୍ଥାପନ କରନ୍ତୁ
ଅନୁମତି ପତ୍ର MIT
ଦ୍ରୁତ Multilingual

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।

ପ୍ରାଚଳଗୁଡ଼ିକ 7B
ଅନୁମତି ପତ୍ର Apache 2.0
ଧ୍ୱନି Piper
ଉପରେ ଚଲାଉଛି ଆମର GPUs
ଇଚ୍ଛାରୂପଣ ବ୍ୟକ୍ତି
GitHub