Modelet AI

Ne integrojmë modelet më të mira të inteligjencës artificiale të foljes me burim të hapur. Të gjitha modelet janë në dispozicion nëpërmjet API dhe web interface.

Teksti në Folje

Chatterbox
Rekomandimet

Klonimi i zërit me zero-gjurmë nga një shembull i shkurtër referues, në 23 gjuhë. Modeli ynë i paracaktuar i klonimit, zërat në dublimin AI, dhe modeli ynë i paracaktuar i konvertimit të zërit (Chatterbox VC).

Gjuhë 23
Referenca audio 6 deri 60 sekonda
VRAM ~5GB
Liçenca MIT
Klonimi Zero-shot Konvertimi i zërit Shumëgjuhësh Përdorimi komercial
Kokoro, Piper, VITS dhe Bark.

Katër motorë të hapur të tekstit në fjalë pas një zgjedhësi zëri. Kokoro 82M (Apache 2.0) është i paracaktuar; Piper ofron vetëm zëra të të cilëve të dhënat e trainimit lejojnë përdorimin komercial; VITS shton 109 folës anglisht dhe Bark 130 paracaktime në 13 gjuhë.

Zërat 316
Gjuhë 19
Motorët 4
Shkarko MP3, WAV, OGG, FLAC
Shumëgjuhësh Përdorimi komercial i lejuar
Provo tekstin në fjalë
OpenVoice v2

Konvertimi i ngjyrës së tonit dhe modeli i klonimit. Ende i zgjedhshëm për konvertimin e zërit, ku Chatterbox VC është tani i paracaktuar sepse mban shumë më shumë nga zëri i synuar.

Zëri i përshtatshëm në testimin tonë OpenVoice v2: 0.17 to 0.35
Zëri i përshtatshëm në testimin tonë Chatterbox VC: 0.64 to 0.75
Liçenca MIT

Ngjashmëria e folësit të regjistrimeve të konvertuara me një klip të ndryshëm të folësit të synuar. Dy klipe të të njëjtit folës real kanë pikë 0.76 deri 0.88.

Konvertimi i zërit Opsionale
GitHub

Modelet e Fjalës në Tekst

Whisper Large v3
Më të përdorura

Modeli i njohjes së foljes me burim të hapur të OpenAI. Transkribon 100 gjuhë, me shenja kohore dhe zbulim automatik të gjuhës.

Gjuhë 100
Parametrat 1.5B
VRAM ~10GB
Zbulimi i gjuhës Automatike
Modeli i prezgjedhur Shumëgjuhësh Stampa kohore
Whisper Large v3 Turbo

Një version më i vogël dhe më i shpejtë i Whisper Large v3 për transkriptime më të shpejta. Zgjidhja si whisper-turbo.

Gjuhë 100
Parametrat 809M
VRAM ~6GB
Liçenca MIT
Më shpejtë Shumëgjuhësh

Modeli i bisedës zërore

Qwen2.5 7B Instruct

Modeli i gjuhës me burim të hapur që shkruan përgjigjet në bisedat me zë, në personazhin që zgjedh. Shfletuesi juaj transkripton fjalën tuaj dhe një zë Piper lexon përgjigjen me zë.

Parametrat 7B
Liçenca Apache 2.0
Zëri Piper
Ekzekuto GPU-të tona
Persona të personalizuar
GitHub