کلام سے کلام

اسپیک ٹو اسپیک (STS) AI ایک بولے ہوئے اوڈیو ریکارڈنگ کو مختلف بولے ہوئے آؤٹ پٹ میں تبدیل کرتا ہے- آواز، انداز، جذبہ، یا زبان کو تبدیل کرتے ہوئے اصل لفظوں اور وقت کو محفوظ کرتے ہوئے۔ یہ بولے جانے، پروسیسنگ، اور ترکیب کو ایک واحد پائپ لائن میں جوڑتا ہے۔

ٹیکسٹ سے اسپیکینگ لکھے ہوئے متن کو آڈیو میں تبدیل کرتا ہے ۔ اسپیکینگ سے اسپیکینگ موجود آڈیو کو انپٹ کے طور پر لیتا ہے اور اسے براہ راست نئی آڈیو میں تبدیل کرتا ہے — اصل ریکارڈ کی قدرتی ریتمی کو محفوظ کرتے ہوئے ، توقف ، زور اور احساس کو صاف متن سے اسپیکینگ پیدا کرنے کی بجائے

عام استعمال میں ویڈیوز کو دوسری زبانوں میں ڈبلینگ کرنا، ایک ریکارڈ میں اسپیکر کی آواز کو تبدیل کرنا، موجود آڈیو کی جذبات یا آواز کو تبدیل کرنا، خام ریکارڈ سے وائٹ اوور بنانا، اور مواد کو محفوظ رکھتے ہوئے آواز کی ریکارڈنگ کو نامعلوم بنانا شامل ہے۔

آواز تبدیل ماڈل جیسے اوپن وائٹس اور RVC آواز سے آواز تک تبدیلی کو ہینڈل کرتے ہیں. زبانوں کے درمیان گفتگو کے لئے، CosyVoice2 اور GPT-SoVITS مختلف زبانوں میں کلون اور ری-سنتھزز کر سکتے ہیں. Chatterbox بھی حوالہ-آڈیو پر مبنی سنتز کو مدد دیتا ہے.

ہاں، آواز کلوننگ ماڈل استعمال کر کے، آپ اپنی آواز کو مختلف زبان میں تبدیل کر سکتے ہیں جبکہ آپ کی آواز کی خصوصیت محفوظ رہتی ہے۔ AI آپ کی آواز کی شناخت کو نکالا اور مقصد زبان یا انداز میں آڈیو کو دوبارہ سنتھز کر سکتا ہے۔

پيپ لائن اول آپ کے بولنے کو نقل کر تا هے ، متن کا مقصد زبان ميں ترجمہ کر تا هے ، پھر آواز کي کلوننگ استعمال کر تا هے تا ترجمہ کيے گئے متن کو آپ کی اصل آواز ميں منسجم کر نے کے ليے ۔ CosyVoice2کے طرح کے ماڈل کراس-لنگويج سينتھز کے ليے 8 زبانوں کو مدد ديتے هيں

بہترین نتيجے کے لیے، کم سے کم پس منظر کی شور کے ساتھ صاف آڈیو اپ لوڈ کریں. WAV یا FLAC 16kHz یا اس سے زیادہ پر بہترین کام کرتے ہیں. MP3، OGG، M4A، اور WEBM کو بھی قبول کیا جاتا ہے. صاف بولنا سب سے صحیح تبدیلیاں پیدا کرتا ہے.

قریبی ریئل ٹائم پروسیسنگ ہمارے API کے ذریعے دستیاب ہے جو کہ Kokoro جیسے تیز ماڈلز کو استعمال کر رہا ہے اور شناخت کے لئے Faster Whisper. Latency ماڈل اور آڈیو لمبائی پر منحصر ہے، لیکن سب-3 سیکنڈ کے ترنراؤنڈز مختصر اتنظامات کے لئے حاصل کرنے کے قابل ہیں.

ہاں Chatterbox، Spark TTS اور IndexTTS-2 جیسے ماڈل جذبات اور انداز کو کنٹرول کر نے کے ليے مدد کر تے هيں آپ آرام سے بول کر کيا جا سکتا هے ، غم سے خوشي ميں ، يا خنثي سے درامائي ميں ، اور هميشه کے ليے عين لفظ اور ناطق کي شناخت رکھ سکتے هيں

سکوپ سے سکوپ تک عرفي اور سنتھز کر کٹ کا ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں ميں

مفت استعمال کرنے والے 1 منٹ تک آڈیو پروسیسنگ کر سکتے ہیں. ادا کردہ پلان 10 منٹ تک فائلوں کی حمایت کرتے ہیں. لمبی ریکارڈنگ کے لیے، آڈیو کو حصوں میں تقسیم کریں یا بغیر لمبائی کی حد کے بیچ پروسیسنگ کے لیے ہماری API استعمال کریں.

ہاں، تمام اپ لوڈ شدہ آڈیو ہمارے محفوظ GPU سرور پر پروسیسنگ کی جاتی ہے اور خودکار طور پر 24 گھنٹوں کے اندر حذف کی جاتی ہے۔ ہم آپ کی آڈیو کو ماڈلز کو تربیت دینے کے لئے کبھی نہیں استعمال کرتے۔ تمام منتقلیاں خفیہ کنکشن کا استعمال کرتی ہیں اور سرور سے سرور مواصلات تصدیق کی جاتی ہے۔