AI ආකෘති

අපි හොඳම විවෘත මූලාශ්රය කථාව AI ආකෘති ඒකාබද්ධ. සියලු ආකෘති API සහ වෙබ් අතුරුමුහුණත හරහා ලබා ගත හැකිය.

Text-to-Speech Models

Chatterbox
නිර්දේශිත

කෙටි උපුටා දැක්වීමක් සාම්පලයක් සිට ශූරතාව-ෂොට් හඬ ක්ලෝන, භාෂා 23. අපගේ පෙරනිමි ක්ලෝන ආකෘතිය, AI ද්විත්ව හඬ, සහ අපගේ පෙරනිමි හඬ පරිවර්තන ආකෘතිය (චැටර්බෝක්ස් VC).

භාෂා 23
උපුටාගැනීම් ශ්‍රව්‍ය තත්පර 6- 60
VRAM ~5GB ධාරිතාව
බලපත්‍රය MIT
ශූරතාවය හඬ පරිවර්තනය බහුභාෂා වාණිජ භාවිතය
කොකෝරෝ, Piper, VITS සහ බර්ක්

එක් හඬ තෝරාගැනීම පසුපස කථා එන්ජින් විවෘත පෙළ හතර. Kokoro 82M (අපාචී 2.0) පෙරනිමි වේ; Piper පුහුණු දත්ත වාණිජ භාවිතය සඳහා පමණක් හඬ ලබා දෙන; VITS එකතු 109 ඉංග්රීසි කථිකයන් හා බාර්ක් 130 භාෂා 13 දී පෙර සැකසුම්.

ශබ්ද 316
භාෂා 19
එන්ජින් 4
බාගත කිරීම MP3, WAV, OGG, FLAC
බහුභාෂා වාණිජ භාවිතය සඳහා අවසර
පෙළ සිට කථාව වෙත උත්සාහ කරන්න
OpenVoice v2

ටෝන් වර්ණ පරිවර්තකය සහ ක්ලෝන ආකෘතිය. තවමත් හඬ පරිවර්තනය සඳහා තෝරාගත හැකි, එහිදී Chatterbox VC එය ඉලක්ක හඬ වඩා වැඩි තබා නිසා දැන් පෙරනිමි වේ.

අපේ පරීක්ෂණය තුළ කටහඬ ගැලපෙන OpenVoice v2: 0.17 to 0.35
අපේ පරීක්ෂණය තුළ කටහඬ ගැලපෙන Chatterbox VC: 0.64 to 0.75
බලපත්‍රය MIT

Speaker similarity of converted recordings to a different clip of the target speaker. Two clips of the same real speaker score 0.76 to 0.88.

හඬ පරිවර්තනය විකල්ප
GitHub

Speech-to-Text Models

Whisper Large v3
වැඩිම භාවිත වූ

OpenAI ගේ විවෘත මූලාශ්රය කථාව හඳුනාගැනීමේ ආකෘතිය. 100 භාෂා පරිවර්තනය, ටයිම්ස්ටැම්ප් සහ ස්වයංක්රීය භාෂා හඳුනාගැනීම.

භාෂා 100
පරාමිතීන් 1.5B
VRAM 10GB ~
භාෂා හඳුනාගැනීම ස්වයංක්‍රීය
පෙරනිමි ආකෘතිය බහුභාෂා වේලා මුද්‍රණ
Whisper Large v3 Turbo

කුඩා, වේගවත් පරිවර්තන සඳහා විස්පර් විශාල v3 වේගවත් අනුවාදය. විස්පර්-ටර්බෝ ලෙස එය තෝරන්න.

භාෂා 100
පරාමිතීන් 809M
VRAM ~6GB ධාරිතාව
බලපත්‍රය MIT
වේගවත් බහුභාෂා

හඬ සල්ලාප ආකෘතිය

Qwen2.5 7B Instruct

හඬ චැට් ප්රතිචාර ලියයි විවෘත මූලාශ්රය භාෂා ආකෘතිය, ඔබ තෝරා persona දී. ඔබේ බ්රවුසරයේ ඔබේ කථාව පරිවර්තනය හා Piper හඬ උස් ප්රතිචාර කියවනවා.

පරාමිතීන් 7B
බලපත්‍රය Apache 2.0
හඬ Piper
ක්‍රියාත්මක වේ අපගේ GPUs
රිසිකළ පුද්ගලයන්
GitHub