AI నమూనాలు.

మేము ఉత్తమ ఓపెన్ సోర్సు - సంభాషణ AI మోడల్ లో చేరుకుంది. API మరియు వెబ్ ఇంటర్‌ఫేస్ ద్వారా అన్ని మోడల్లు అందుబాటులో వున్నవి.

పాఠ్యము నుండి- మాట్లాడు మాడ్యూళ్లుComment

Chatterbox
సిఫారసుచేయబడినవి

23 భాషల్లో, కొద్దిగా రిఫరెన్స్ మాదిరి నుండి Zero-show స్వరం క్లోనింగ్. మా అప్రమేయ కెనార్ మోడల్, AI dubbing లో స్వరాలు, మరియు మా అప్రమేయ స్వరమార్పు మార్చే మోడల్ (జార్క్ బాక్స్ VC).

భాషలు. 23
రిఫరెన్స్ ఆడియో 6 నుండి 60 సి
VRAM ~5 జిబి
లైసెన్స్ MIT
Zero-work క్లాల్లింగ్ ధ్వని మార్పు మల్టీఫైల్ అమ్మకపు వాడుక
కోకోరో, పిపర్‌, విట్స్‌, బార్క్‌

ఒక వాయిస్ పిక్సర్ వెనుక మాట్లాడటం ఇంజన్లు మాట్లాడటం నాలుగు ఓపెన్ వచనము. కోకోరో 82ఎమ్‌ (అపమెకా 2.0) అప్రమేయం; పైపర్‌ కేవలం కోపర్‌కేస్‌ ద్వారా మాత్రమే వాణిజ్యంగా ఉపయోగించే శిక్షణా సమాచారాన్ని అందిస్తుంది; విట్‌స్‌ 109 ఆంగ్ల ప్రసంగీకులను, బార్క్‌ 130 సెట్లు 13 భాషల్లో జతచేస్తుంది.

శబ్ధాలు 316
భాషలు. 19
ఇంజన్లు. 4
డౌన్‌లోడ్‌చేయి ఎంపి3, వావీ, ఒజి, ఫ్లాక్
మల్టీఫైల్ అమ్మకపు వాడుక అనుమతించబడింది
మాట్లాడటానికి వచనమును ప్రయత్నించుము
OpenVoice v2

టాన్ రంగు విభజన మరియు Konysclone మోడల్. ఇంకా స్వరం మార్చుటకు ఎంపిక చేసుకోబడింది, అక్కడ చాట్‌బాక్స్ VC అప్రమేయం, ఎందుకంటే అది లక్ష్యపు శబ్దముకు చాలావరకు వుద్భవిస్తుంది.

మా పరీక్షలో, వాయిస్ గుర్తింపు సరిగ్గా సరిపోలింది. OpenVoice v2: 0.17 to 0.35
మా పరీక్షలో, వాయిస్ గుర్తింపు సరిగ్గా సరిపోలింది. Chatterbox VC: 0.64 to 0.75
లైసెన్స్ MIT

మార్పులు చేసిన రికార్డింగ్‌లలోని వాయిస్, లక్ష్యంగా పెట్టుకున్న వ్యక్తి యొక్క వేరే రికార్డింగ్‌లోని వాయిస్‌తో ఎంతవరకు పోలి ఉందో తెలుసుకోవడానికి ఈ పరీక్ష ఉపయోగపడుతుంది. ఒకే వ్యక్తి యొక్క రెండు రికార్డింగ్‌ల మధ్య పోలిక 0.76 నుండి 0.88 వరకు ఉంది.

ధ్వని మార్పు ఐచ్చికం
GitHub

భాషా- వచన మాడ్యూళ్లు

Whisper Large v3
చాలా వుపయోగించిన

ఓపెన్ AI యొక్క ఓపెన్-జార్ బర్డ్ ప్రసంగ గుర్తింపు మోడల్. రిచర్డ్‌ 100 భాషల్లో, అంటే రియో డీ జనైరోలో, ఆ తర్వాత స్వీయ భాషను గుర్తించడం ద్వారా అనువదించాడు.

భాషలు. 100
పారామితి 1.5B
VRAM ~10 జిబి
భాషపరిచయం స్వయంచాలక
అప్రమేయ మోడల్ మల్టీఫైల్ టైమ్‌బాక్స్
Whisper Large v3 Turbo

వేగంగా ప్రెషర్లు కోసం విస్పర్ పెద్ద v3 యొక్క చిన్న, వేగంగా వెర్షన్. సెల్క్ మెర్సీ-Turbo వంటి అది తీయటానికి.

భాషలు. 100
పారామితి 809M
VRAM ~6 జిబి
లైసెన్స్ MIT
త్వరిత మల్టీఫైల్

స్వర చలనచిత్రం

Qwen2.5 7B Instruct

మీరు ఎంపిక స్వర సంభాషణలో, సమాధానం వ్రాయే ఓపెన్ భాష మోడల్ ఆ. మీ విహారకుడు మీ ప్రసంగంని కరచగాడు, ఒక పిపర్‌ స్వరం బిగ్గరగా చదువుతుంది.

పారామితి 7B
లైసెన్స్ Apache 2.0
ధ్వని Piper
నడుపుము మా గ్రాఫిక్స్ ప్రాసెసింగ్ యూనిట్లు.
మలచుకొనిన ఆకృతి
GitHub