Modele AI

Integrujemy najlepsze modele przemówienia otwartego. Wszystkie modele są dostępne za pośrednictwem interfejsu API i web.

Modele zamiany tekstu na mowę

Chatterbox
Zalecany

Klonowanie głosu z krótkiej próbki wzorcowej, bez dodatkowego treningu, w 23 językach. Nasz domyślny model klonowania, głosy w dubbingu AI i nasz domyślny model konwersji głosu (Chatterbox VC).

Języki 23
Nagranie referencyjne Od 6 do 60 s
VRAM ~5GB
Licencja MIT
Klonowanie zero-shot Przekształcenie głosu Wielojęzyczny Użycie komercyjne
Kokoro, Piper, VITS i Bark

Cztery otwarte teksty do silników mówców za jednym wybieraczem głosu. Kokoro 82M (Apache 2.0) to domyślny element; Piper oferuje tylko głosy, których dane szkoleniowe pozwalają na użytkowanie handlowe; VITS dodaje 109 języków angielskich i Bark 130 precyzyjnych w 13 językach.

Głosy 316
Języki 19
Silniki 4
Pobierz MP3, WAV, OGG, FLAC
Wielojęzyczny Dozwolone użycie komercyjne
Wypróbuj zamianę tekstu na mowę
OpenVoice v2

Konwerter barwy głosu i model klonowania. Nadal można go wybrać do konwersji głosu, gdzie domyślnym modelem jest teraz Chatterbox VC, ponieważ zachowuje znacznie więcej z głosu docelowego.

Zgodność głosu w naszym teście OpenVoice v2: 0.17 to 0.35
Zgodność głosu w naszym teście Chatterbox VC: 0.64 to 0.75
Licencja MIT

Podobieństwo mówcy w przekonwertowanych nagraniach do innego klipu mówcy docelowego. Dwa klipy tego samego prawdziwego mówcy uzyskują wynik od 0.76 do 0.88.

Przekształcenie głosu Opcjonalne
GitHub

Modele zamiany mowy na tekst

Whisper Large v3
Najczęściej używany

Otwarty model rozpoznawania mowy od OpenAI. Transkrybuje 100 języków, ze znacznikami czasu i automatycznym wykrywaniem języka.

Języki 100
Parametry 1.5B
VRAM ~10GB
Wykrywanie języka Automatycznie
Model domyślny Wielojęzyczny Znaczniki czasu
Whisper Large v3 Turbo

Mniejsza, szybsza wersja Whisper Large v3 do szybszych transkrypcji. Wybierz ją jako whisper-turbo.

Języki 100
Parametry 809M
VRAM ~6GB
Licencja MIT
Szybszy Wielojęzyczny

Model czatu głosowego

Qwen2.5 7B Instruct

Otwarty model językowy, który pisze odpowiedzi w czacie głosowym w wybranej przez Ciebie roli. Przeglądarka transkrybuje Twoją mowę, a głos Piper odczytuje odpowiedź na głos.

Parametry 7B
Licencja Apache 2.0
Głos Piper
Działa na Nasze GPU
Własne persony
GitHub