AI ਮਾਡਲ
ਅਸੀਂ ਸਭ ਤੋਂ ਵਧੀਆ ਓਪਨ-ਸੋਰਸ ਸਪੀਚ AI ਮਾਡਲਾਂ ਨੂੰ ਇਕੱਠਾ ਕੀਤਾ ਹੈ। ਸਾਰੇ ਮਾਡਲ API ਅਤੇ ਵੈਬ ਇੰਟਰਫੇਸ ਰਾਹੀਂ ਉਪਲੱਬਧ ਹਨ।
ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਮਾਡਲ
Chatterbox
ਸਿਫਾਰਸ਼ੀਇੱਕ ਛੋਟੇ ਹਵਾਲਾ ਨਮੂਨੇ ਤੋਂ ਜ਼ੀਰੋ-ਸ਼ੋਟ ਆਵਾਜ਼ ਕਲੋਨਿੰਗ, 23 ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ । ਸਾਡਾ ਡਿਫਾਲਟ ਕਲੋਨਿੰਗ ਮਾਡਲ, AI ਡਬਿੰਗ ਵਿੱਚ ਆਵਾਜ਼, ਅਤੇ ਸਾਡਾ ਡਿਫਾਲਟ ਆਵਾਜ਼ ਬਦਲਣ ਮਾਡਲ (Chatterbox VC) ਹੈ ।
ਕੋਕੋਰੋ, ਪਾਈਪਰ, VITS ਅਤੇ ਬਾਰਕ
ਇੱਕ ਵੌਇਸ ਚੋਣਕਾਰ ਪਿੱਛੇ ਚਾਰ ਖੋਲ੍ਹੇ ਪਾਠ ਤੋਂ ਬੋਲੀ ਇੰਜਣ ਹਨ । ਕੋਕੋਰੋ 82M (ਅਪਾਚੀ 2.0) ਡਿਫਾਲਟ ਹੈ; ਪਾਈਪਰ ਕੇਵਲ ਉਹੀ ਬੋਲੀ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਦਾ ਟਰੇਨਿੰਗ ਡਾਟਾ ਵਪਾਰਕ ਵਰਤੋਂ ਲਈ ਸਹਾਇਕ ਹੈ; VITS 109 ਅੰਗਰੇਜ਼ੀ ਬੋਲਣ ਵਾਲੇ ਅਤੇ 13 ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਬਾਰਕ 130 ਪ੍ਰੀ- ਸੈੱਟ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ ।
OpenVoice v2
ਟੋਨ ਰੰਗ ਕਨਵਰਟਰ ਅਤੇ ਕਲੋਨਿੰਗ ਮਾਡਲ । ਅਜੇ ਵੀ ਬੋਲੀ ਬਦਲਣ ਲਈ ਚੁਣਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿੱਥੇ ਕਿ ਚੈਟਰਬਾਕਸ VC ਹੁਣ ਡਿਫਾਲਟ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਟੀਚੇ ਵਾਲੀ ਬੋਲੀ ਨੂੰ ਵਧੇਰੇ ਰੱਖਦਾ ਹੈ ।
ਟਰੈਕ ਸਪੀਕਰ ਦੇ ਵੱਖਰੇ ਕਲਿੱਪ ਨਾਲ ਬਦਲੇ ਰਿਕਾਰਡਾਂ ਦੀ ਸਪੀਕਰ ਸਮਾਨਤਾ ਹੈ । ਇੱਕ ਹੀ ਅਸਲੀ ਸਪੀਕਰ ਦੇ ਦੋ ਕਲਿੱਪਾਂ ਦਾ ਸਕੋਰ 0.76 ਤੋਂ 0.88 ਹੈ ।
Speech-to-Text Models
Whisper Large v3
ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇOpenAI ਦਾ ਖੋਲ੍ਹੇ ਸਰੋਤ ਬੋਲੀ ਪਛਾਣ ਮਾਡਲ ਹੈ । 100 ਭਾਸ਼ਾਵਾਂ ਨੂੰ ਟਰਾਂਸਲੇਟ ਕਰਦਾ ਹੈ, ਟਾਈਮ- ਸਟੈਂਪ ਅਤੇ ਆਟੋਮੈਟਿਕ ਭਾਸ਼ਾ ਖੋਜ ਨਾਲ ।
Whisper Large v3 Turbo
ਤੇਜ਼ ਟਰਾਂਸਕਰੀਪਸ਼ਨ ਲਈ Whisper Large v3 ਦਾ ਛੋਟਾ ਤੇਜ਼ ਵਰਜਨ ਹੈ । ਇਸ ਨੂੰ whisper- turbo ਵਜੋਂ ਚੁਣੋ ।
ਆਵਾਜ਼ ਗੱਲਬਾਤ ਮਾਡਲ
Qwen2.5 7B Instruct
ਖੋਲ੍ਹਣ ਲਈ ਖੋਲ੍ਹਣ ਲਈ ਭਾਸ਼ਾ ਮਾਡਲ, ਜੋ ਕਿ ਆਵਾਜ਼ ਚੈਟ ਵਿੱਚ ਜਵਾਬ ਲਿਖਦਾ ਹੈ, ਤੁਸੀਂ ਚੁਣੇ ਵਿਅਕਤੀ ਵਿੱਚ ਹੈ । ਤੁਹਾਡਾ ਬਰਾਊਜ਼ਰ ਤੁਹਾਡੀ ਬੋਲੀ ਨੂੰ ਤਬਦੀਲ ਕਰੇਗਾ ਅਤੇ ਇੱਕ ਪਾਈਪਰ ਆਵਾਜ਼ ਜਵਾਬ ਨੂੰ ਬੋਲਦਾ ਪੜ੍ਹੇਗੀ ।