โมเดล AI

เรารวมตัวแบบจำลอง AI เสียงที่ดีที่สุด แบบจำลองทั้งหมดมีให้ใช้ผ่าน API และเว็บอินเทอร์เฟซ

Text-to-Speech Models

Chatterbox
แนะนำ

เสียงโคลนจากตัวอย่างที่ใช้ได้ใน 23 ภาษา แบบจำลองโคลนปริยายของเรา เสียงใน AI เสียงแปล และแบบจำลองการแปลงเสียงปริยายของเรา (Chatterbox VC)

ภาษา 23
ข้อมูลเสียงที่อ้างถึง 6 ถึง 60 วินาที
VRAM ~5GB หน่วยความจำ
ใบอนุญาต MIT
การสร้างคอลลิน การแปลงเสียง หลายภาษา ใช้ในเชิงพาณิชย์
โคโคโร ไพเปอร์ วิทส์ และ บาร์ค

กลไกเปิดตัวอักษรเป็นเสียง4ตัว เบื้องหลังตัวเลือกเสียง Kokoro 82M (Apache 2.0) เป็นตัวปริยาย Piper เสนอเพียงเสียงที่ข้อมูลการฝึกอบรมอนุญาตให้ใช้ในเชิงพาณิชย์ VITS เพิ่มผู้พูดภาษาอังกฤษ 109 คน และ Bark 130 ตัวเลือกก่อนใช้งานใน 13 ภาษา

เสียง 316
ภาษา 19
เครื่องยนต์ 4
ดาวน์โหลด รูปแบบ MP3, WAV, OGG, FLAC
หลายภาษา อนุญาตให้ใช้ในธุรกิจ
ลองใช้ข้อความเป็นเสียง
OpenVoice v2

ตัวแปลงสีและโมเดลการคลอน ยังคงเลือกได้สำหรับการแปลงเสียง, ที่ Chatterbox VC ตอนนี้เป็นตัวปริยาย เพราะมันเก็บเสียงเป้าหมายไว้มากขึ้น

เสียงที่ตรงกับการทดสอบของเรา OpenVoice v2: 0.17 to 0.35
เสียงที่ตรงกับการทดสอบของเรา Chatterbox VC: 0.64 to 0.75
ใบอนุญาต 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.

การแปลงเสียง ตัวเลือก
GitHub

Speech-to-Text Models

Whisper Large v3
ใช้มากที่สุด

โมเดลการรับรู้เสียง OpenAI แบบเปิดซอร์ส เขียนภาษา 100 ภาษา ด้วยสแกนเวลาและตรวจจับภาษาอัตโนมัติ

ภาษา 100
พารามิเตอร์ 1.5B
VRAM ~10GB หน่วยความจำ
การตรวจจับภาษา ปรับแต่งอัตโนมัติ
รุ่นปริยาย หลายภาษา ตราเวลา
Whisper Large v3 Turbo

รุ่นเล็กกว่า เร็วกว่า Whisper Large v3 สำหรับแปลเร็วกว่า เลือกเป็น Whisper-Turbo

ภาษา 100
พารามิเตอร์ 809M
VRAM ~6GB หน่วยความจำ
ใบอนุญาต MIT
เร็วขึ้น หลายภาษา

โมเดลการสนทนาเสียง

Qwen2.5 7B Instruct

โมเดลภาษาโอเพนซอร์สที่เขียนคำตอบในการสนทนาเสียง ในรูปแบบที่คุณเลือก เบราว์เซอร์ของคุณจะบันทึกคำพูดของคุณ และเสียง Piper จะอ่านคำตอบออกมา

พารามิเตอร์ 7B
ใบอนุญาต Apache 2.0
เสียง Piper
กำลังทำงานอยู่ หน่วยประมวลผลภาพจิ๋วของเรา
ตั้งค่าตัวละคร
GitHub