AI 模型

我们整合了最佳的开放源代码演讲AI模式。 所有模型都可通过API和网络界面提供。

文字转语音模型

Chatterbox
推荐

只需一段简短的参考样本,即可在 23 种语言中进行零样本声音克隆。它是我们默认的克隆模型,也是 AI 配音所用的声音和我们默认的声音转换模型 (Chatterbox VC)。

语言 23
参考音频 6 到 60 秒
VRAM 约 5GB
许可证 MIT
零样本克隆 语音转换 多种语文 商业使用
Kokoro、Piper、VITS 和 Bark

Four open text to speech engines behind one voice picker. Kokoro 82M (Apache 2.0) is the default; Piper offers only voices whose training data allows commercial use; VITS adds 109 English speakers and Bark 130 presets in 13 languages.

声音 316
语言 19
引擎 4
下载 MP3、WAV、OGG、FLAC
多种语文 允许商业使用
试用文字转语音
OpenVoice v2

音色转换和克隆模型。在声音转换中仍可选择,但现在默认使用 Chatterbox VC,因为它能保留更多目标声音的特征。

我们测试中的声音匹配度 OpenVoice v2: 0.17 to 0.35
我们测试中的声音匹配度 Chatterbox VC: 0.64 to 0.75
许可证 MIT

转换后的录音与目标说话人另一段片段之间的说话人相似度。同一位真实说话人的两段片段得分为 0.76 到 0.88。

语音转换 可选
GitHub

语音转文字模型

Whisper Large v3
最常用

OpenAI 的开源语音识别模型。可转录 100 种语言,支持时间戳和自动语言检测。

语言 100
参数量 1.5B
VRAM 约 10GB
语言检测 自动
默认模型 多种语文 时间戳
Whisper Large v3 Turbo

Whisper Large v3 的更小更快版本,转录更迅速。选择 whisper-turbo 即可使用。

语言 100
参数量 809M
VRAM ~6GB
许可证 MIT
更快 多种语文

语音聊天模型

Qwen2.5 7B Instruct

在语音聊天中以你选择的角色撰写回复的开源语言模型。你的浏览器转录你的语音,再由 Piper 声音朗读回复。

参数量 7B
许可证 Apache 2.0
声音 Piper
运行于 我们的 GPU
自定义角色
GitHub