Modele de IA

Integram cele mai bune modele de discurs deschis al AI. Toate modelele sunt disponibile prin API și interfață web.

Modele text-to-voce

Chatterbox
Recomandat

Clonarea vocală cu zero-shot dintr-un eșantion de referință scurt, în 23 de limbi. Modelul nostru de clonare implicit, vocile în AI dubbing, și modelul nostru de conversie vocală implicit (Chatterbox VC).

Limbi 23
Audio de referință 6 până la 60 s
VRAM ~5GB
Licență MIT
Clonarea cu foc zero Conversie vocală Multilingual Utilizare comercială
Kokoro, Piper, VITS și Bark

Patru text deschis la motoarele de vorbire în spatele unui selector de voce. Kokoro 82M (Apache 2.0) este un mod implicit; Piper oferă doar voci ale căror date de formare permit utilizarea comercială; VITS adaugă 109 de vorbitori englezi și predefiniții Bark 130 în 13 limbi.

Voci 316
Limbi 19
Motoare 4
Descărcare MP3, WAV, OGG, FLAC
Multilingual Utilizarea comercială permisă
Încearcă textul pentru a vorbi
OpenVoice v2

Convertitor de culori ton și model de clonare. Încă selectabil pentru conversia vocală, unde Chatterbox VC este acum implicit pentru că menține mult mai mult de vocea țintă.

Corespondență vocală în testul nostru OpenVoice v2: 0.17 to 0.35
Corespondență vocală în testul nostru Chatterbox VC: 0.64 to 0.75
Licență MIT

Seminătate de speaker de înregistrări convertite la un clip diferit al speaker-ului țintă. Două clipuri ale aceleiași speaker real scor 0.76 până la 0.88.

Conversie vocală Opțional
GitHub

Modele de vorbire la text

Whisper Large v3
Cel mai folosit

Modelul de recunoaștere a discursului OpenAI. Transcrie 100 de limbi, cu marca temporală și detecția automată a limbii.

Limbi 100
Parametri 1.5B
VRAM ~10GB
Detecție limbi Automatic
Model implicit Multilingual Marca de timp
Whisper Large v3 Turbo

O versiune mai mică, mai rapidă de Whisper Large v3 pentru transcripcione mai rapide. Alege-l ca şoaptă-turbo.

Limbi 100
Parametri 809M
VRAM ~6GB
Licență MIT
Mai repede Multilingual

Modelul de Chat Voce

Qwen2.5 7B Instruct

Modelul de limbaj deschis care scrie răspunsurile în chat vocal, în persoana pe care o alegeți. browserul tău transcrie discursul şi o voce Piper citi răspunsul cu voce tare.

Parametri 7B
Licență Apache 2.0
Voce Piper
Fugi GPU-urile noastre
Personalizat
GitHub