টেক্সট- থেকে- কথাName AI এজেন্ট সঙ্গীত বক্তৃতা থেকে টেক্সটName ভয়েস ক্লোন ভয়েস ডিজাইন বাজার আরো
বাগ / বৈশিষ্ট্য অনুরোধ প্রতিবেদন করো

বাস্তব-সময়ের ভয়েস ক্লোনিং - সেকেন্ডের মধ্যে যেকোন ভয়েস ক্লোন করুন

মাত্র ৫ সেকেন্ড রেফারেন্স অডিও সহ যেকোন শব্দ ক্লোন করুন। Chatterbox, CosyVoice2, GPT-SoVITS, এবং OpenVoice সহ ৯টি উন্মুক্ত উৎস শব্দ ক্লোন মডেল। কোন প্রশিক্ষণ প্রয়োজন ছাড়াই শূন্য-শট ক্লোন: একটি নমুনা আপলোড করুন এবং অবিলম্বে কথা বলুন। যেকোন পেমেন্ট প্লান বাণিজ্যিক লাইসেন্স, 'ব্যক্তিগত এবং শুধুমাত্র অবাণিজ্যিক ব্যবহার' চিহ্নিত মডেল ব্যতীত, যেমন স্পার্ক TTS।

বাস্তব সময় ৫- সেকেন্ডের নমুনা ৯টি ক্লোনিং মডেল ওপেন সোর্স ১৭+ ভাষা আবেগ নিয়ন্ত্রণ
বিনামূল্যে শুরু করুন মূল্য প্রদর্শন

বাস্তব-সময়ের শব্দ ক্লোনিং বৈশিষ্ট্য

অত্যাধুনিক AI এর সাহায্যে অবিলম্বে কণ্ঠ ক্লোন করুন - কোন প্রশিক্ষণ, কোন ডেটাসেট, কোন অপেক্ষা নেই

জিরো-শট ক্লোনিং

কোন প্রশিক্ষণ নেই, কোন ফিন-টুইন নেই, কোন ডাটাসেট সংগ্রহ নেই। ৫ সেকেন্ডের অডিও আপলোড করুন এবং তাৎক্ষণিকভাবে একটি ক্লোন কণ্ঠস্বর পাবেন। AI স্পিকারের বৈশিষ্ট্য বাস্তব সময়ে বের করে।

৯টি ক্লোনিং মডেল

Chatterbox, CosyVoice2, GPT-SoVITS, OpenVoice, Spark, IndexTTS-2, GLM-TTS, Qwen3-TTS এবং Tortoise থেকে বেছে নিন। প্রত্যেক মডেলের বিভিন্ন গুণমান, গতি এবং ভাষার শক্তি আছে।

ক্রস- লিঙ্গুয়াল ক্লোনিং

ইংরেজি ভাষায় একটি কণ্ঠস্বর ক্লোন করুন এবং চীনা, জাপানি, কোরীয় এবং আরও অনেক ভাষায় কথাবার্তা তৈরি করুন। CosyVoice2এবং Qwen3-TTS ১৭+ ভাষার মধ্যে কণ্ঠস্বর পরিচয় সংরক্ষণ করে।

আবেগ নিয়ন্ত্রণ

Chatterbox, OpenVoice এবং GLM-TTS আবেগ-সংক্রান্ত উৎপাদন সমর্থন করে। একই টেক্সট বিভিন্ন আবেগ সহ উত্পাদন করুন - খুশি, দুঃখিত, রেগে, চুপচাপ - ক্লোন করা কণ্ঠস্বর বজায় রেখে।

ওপেন সোর্স এবং বাণিজ্যিক

অধিকাংশ ক্লোনিং মডেল MIT অথবা Apache 2.0-এর অধীনে উন্মুক্ত উৎস। যেকোন পরিশোধিত পরিকল্পনার ক্ষেত্রে, ক্লোন করা শব্দ বাণিজ্যিকভাবে কোন রয়্যালটি ছাড়াই বিষয়বস্তু, পণ্য এবং অ্যাপ্লিকেশনের জন্য ব্যবহার করুন, "ব্যক্তিগত এবং শুধুমাত্র বাণিজ্যিক ব্যবহার" চিহ্নিত মডেল ব্যতীত, যেমন Spark TTS।

API ক্লোন করা হচ্ছে

প্রোগ্রামিং ভয়েস ক্লোনিং এর জন্য REST API। রেফারেন্স অডিও আপলোড করুন, টেক্সট উল্লেখ করুন, এবং ক্লোন করা ভাষণ গ্রহণ করুন। পাইথন এবং জাভাস্ক্রিপ্ট এর জন্য SDK। উচ্চ পরিমাণের ওয়ার্কফ্লোর জন্য ব্যাচ ক্লোনিং।

শব্দের ক্লোন মডেল

প্রতিটি ক্লোনিং ব্যবহারের ক্ষেত্রে ৯টি উন্মুক্ত উৎস মডেল

ChatterboxChatterbox

Premium

State-of-the-art zero-shot voice cloning with emotion control from Resemble AI.

মধ্যম 5/5 ভয়েস ক্লোন

সর্বোত্তম: সর্বোচ্চ সার্বিক গুণমান — ৫ সেকেন্ডের নমুনা, আবেগ নিয়ন্ত্রণ, এমআইটি লাইসেন্সপ্রাপ্ত

চেষ্টা করো Chatterbox

CosyVoice 2CosyVoice 2

Standard

Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.

মধ্যম 5/5 ভয়েস ক্লোন

সর্বোত্তম: সর্বোত্তম বহুভাষিক ক্লোনিং — চীনা, ইংরেজি, জাপানি, কোরীয় ভাষায় শব্দ সংরক্ষণ করে

চেষ্টা করো CosyVoice 2

OpenVoiceOpenVoice

Premium

Instant voice cloning with granular control over style, emotion, and accent.

মধ্যম 4/5 ভয়েস ক্লোন

সর্বোত্তম: আবেগ এবং শৈলী স্থানান্তর সঙ্গে দ্রুত টোন রং রূপান্তর

চেষ্টা করো OpenVoice

Spark TTSSpark TTS

Standard

Voice cloning TTS with controllable emotion and speaking style via prompts.

মধ্যম 4/5 ভয়েস ক্লোন

সর্বোত্তম: দ্রুততম ক্লোন মডেল — ফলাফল ~12 সেকেন্ডে

চেষ্টা করো Spark TTS

IndexTTS-2IndexTTS-2

Standard

Zero-shot TTS with fine-grained emotion control and high expressiveness.

মধ্যম 4/5 ভয়েস ক্লোন

সর্বোত্তম: উচ্চ স্পিকার অনুরূপতার সাথে চমৎকার চীনা-ইংরেজি ক্লোনিং

চেষ্টা করো IndexTTS-2

Tortoise TTSTortoise TTS

Premium

Multi-voice text-to-speech focused on quality with autoregressive architecture.

ধীর 5/5 ভয়েস ক্লোন

সর্বোত্তম: স্টুডিও-মানের ফলাফল - অডিওবুক এবং প্রাইম নারেটিং এর জন্য সেরা

চেষ্টা করো Tortoise TTS

কিভাবে বাস্তব-সময়ের ভয়েস ক্লোনিং কাজ করে

অডিও নমুনা থেকে অসীমিত ক্লোন করা বক্তব্য

1

রেফারেন্স অডিও আপলোড করো

আপনি যে শব্দটি ক্লোন করতে চান তা থেকে ৫-৩০ সেকেন্ডের পরিষ্কার কথা রেকর্ড করুন অথবা আপলোড করুন। WAV, MP3, অথবা আপনার ব্রাউজার থেকে সরাসরি রেকর্ড করুন।

2

একটি ক্লোন মডেল বেছে নিন

আপনার প্রয়োজন অনুযায়ী মডেল বেছে নিন - গুণগত মান, স্পার্ক, কোসিভয়েস ২, বহুভাষিকতার জন্য।

3

আপনার লেখা লিখুন

ক্লোন করা কন্ঠে আপনি যে লেখাটি বলতে চান তা টাইপ অথবা সাঁটান। মডেল দ্বারা সমর্থিত যেকোন ভাষাই কাজ করবে।

4

ডাউনলোড করো

ক্লিক করুন তৈরি করুন এবং আপনার ক্লোন করা কণ্ঠস্বরটি ১০-২৫ সেকেন্ডের মধ্যে শুনুন। তাৎক্ষণিক ব্যবহারের জন্য WAV বা MP3 হিসাবে ডাউনলোড করুন।

জিরো-শট ভয়েস ক্লোনিং কিভাবে কাজ করে

কোন ফিন-টুইনিং, কোন ডাটাসেট সংগ্রহ নেই - শুধু আপলোড এবং ক্লোন করুন

স্পিকারের অভ্যন্তরীণ এক্সট্র্যাক্ট

AI আপনার রেফারেন্স অডিও বিশ্লেষণ করে একটি স্পিকার এম্বেডিং বের করে আনবে - একটি কম্প্যাক্ট গাণিতিক প্রতিনিধিত্বের কন্ঠের অনন্য বৈশিষ্ট্য সহ পিট, টিমব্রে, কথা বলার রীতি, এবং কণ্ঠের টেক্সচার। এটি ১ সেকেন্ডের কম সময়ে ঘটে।

  • অডিও ৫ সেকেন্ডের মধ্যে কাজ করে
  • পিচ, টিমব্রে এবং কথা বলার শৈলী ধারণ করে
  • কোন প্রশিক্ষণ বা ফিন-টুইনের প্রয়োজন নেই
  • অডিও কখনো স্থায়ীভাবে সংরক্ষণ করা হয় না

কৃত্রিম ভাষা সংশ্লেষণ

TTS মডেল স্পিকারের অন্তর্ভুক্তির উপর নির্ভর করে নতুন কথাবার্তার সৃষ্টি করে। ফলাফলটি রেফারেন্স স্পিকারের আপনার লেখা বলার মতো শোনাবে - প্রাকৃতিক প্রসোডি, উপযুক্ত জোর এবং যেকোনো ভাষা বা বিষয়বস্তুতে মূল শব্দের বৈশিষ্ট্য সংরক্ষিত থাকবে।

  • একক নমুনা থেকে অসীমিত বক্তৃতা উত্পাদন করুন
  • ক্রস- ভাষা ক্লোনিং (সংযোগে ব্যবহৃত ভাষায় কথা বলুন)
  • আবেগ এবং শৈলী স্থানান্তর
  • ১০-২৫ সেকেন্ডের মধ্যে ফলাফল
শব্দ ক্লোন করার চেষ্টা করুন

শব্দের ক্লোনিং মডেলের তুলনা

আপনার ক্লোনিং ব্যবহারের ক্ষেত্রে সঠিক মডেল নির্বাচন করুন

মডেল সর্বনিম্ন রেফারেন্স গতি গুণমান ভাষা আবেগ লাইসেন্স
Chatterbox 5s ~21s সেরা EN MIT
CosyVoice 2 5s ~20s অসাধারণ সিএন, ইংরেজি, জাপানি, কোরিয়ান Apache 2.0
GPT-SoVITS 5s ~16s অসাধারণ সিএন, ইংরেজি, জাপানি, কোরিয়ান MIT
OpenVoice 5s ~15s ভাল ইংরেজি, চীনা, স্প্যানিশ, ফরাসি+ MIT
Spark TTS 5s ~12s ভাল সিএন, এন Apache 2.0
IndexTTS-2 5s ~18s অসাধারণ সিএন, এন Apache 2.0
GLM-TTS 5s ~25s অসাধারণ সিএন, এন Apache 2.0
Qwen3-TTS 5s ~16s অসাধারণ সিএন, ইংরেজি, জাপানি, কোরিয়ান Apache 2.0
Tortoise 15s ~60s স্টুডিও EN Apache 2.0
মডেল তুলনা করো

মানুষ কি জন্য রিয়েল-টাইম ভয়েস ক্লোনিং ব্যবহার করে

বিষয়বস্তু তৈরি থেকে শুরু করে ব্যবহারের সুবিধা – শব্দ ক্লোনিং এর অসংখ্য প্রয়োগ রয়েছে।

অডিওবইয়ের বর্ণনা

লেখক তাদের নিজের কণ্ঠ ক্লোন করে এবং রেকর্ডিং বুথে ঘণ্টা কাটানোর পরিবর্তে সম্পূর্ণ অডিওবুক তৈরি করে। পুনরায় রেকর্ড করার পরিবর্তে একক বাক্য পুনরুদ্ধার করে ভুলগুলি সম্পাদন করুন।

ভিডিও দ্বৈতকরণ

ভিডিওগুলোকে অন্য ভাষায় ডাব করে, কিন্তু মূল বক্তার কণ্ঠ বজায় রাখে। কসিভয়েস ২ এবং কুয়েন৩-টিটিএসের মতো ক্রস-লিঙ্গুইজ মডেলগুলো চীনা, ইংরেজি, জাপানি এবং কোরিয়ান ভাষার মধ্যে কণ্ঠ পরিচয় বজায় রাখে।

বিষয়বস্তু তৈরি করা হচ্ছে

ইউটিউব, পডকাস্ট এবং টিকটক তৈরিকারীরা তাদের কণ্ঠস্বরকে ক্লোন করে স্থায়ী ব্র্যান্ডিংয়ের জন্য। রেকর্ডিং ছাড়াই নতুন বিষয়বস্তু তৈরি করুন, অথবা বিদ্যমান ভিডিওগুলোর বিকল্প ভাষা সংস্করণ তৈরি করুন।

প্রবেশযোগ্যতা

যারা অসুস্থতা বা সার্জারির কারণে তাদের কণ্ঠ হারিয়েছেন তারা পুরনো রেকর্ড থেকে কণ্ঠ ক্লোন করে তা সংরক্ষণ করতে পারেন। ক্লোন করা কণ্ঠ তাদেরকে টেক্সট-টু-স্পিকারের মাধ্যমে তাদের নিজের কণ্ঠে যোগাযোগ করতে দেয়।

খেলা ডেভেলপমেন্ট

কণ্ঠ অভিনেতাদের ক্লোন করুন এবং স্টুডিও সময় নির্ধারণ না করে অসীমিত ডায়ালগ বৈচিত্র্য তৈরি করুন। ইন্ডিয়া গেম, মোড এবং প্রোটোটাইপিং এর জন্য পূর্ণ যেখানে প্রতিটি লাইন পুনরায় রেকর্ড করা সম্ভব নয়।

IVR এবং ফোন সিস্টেম

ফোন মেনু এবং স্বয়ংক্রিয় উত্তরের জন্য আপনার কোম্পানির মুখপাত্রের কণ্ঠ ক্লোন করুন। একটি কণ্ঠ অভিনেতা বুকিং না করেই IVR প্রম্পট ইতোমধ্যে আপডেট করুন - শুধু নতুন টেক্সট টাইপ করুন এবং উত্পাদন করুন।

এখন একটি শব্দ ক্লোন করো

TTS.ai বনাম অন্যান্য ভয়েস ক্লোনিং সমাধান

কেন ৯ মডেল একক মুক্ত উৎস প্রকল্পকে হারায়

বৈশিষ্ট্য TTS.ai SV2TTS ElevenLabs Resemble AI
মডেল ক্লোন করা হচ্ছে 9 1 1 1
সর্বনিম্ন রেফারেন্স অডিও 5 sec 5 sec 30 sec 3 min
প্রশিক্ষণ প্রয়োজন না না না হ্যাঁ
অডিও গুণমান (২০২৫) স্টুডিও- গ্রেড তারিখ অসাধারণ অসাধারণ
আবেগ নিয়ন্ত্রণ
ক্রস- লিঙ্গুয়াল ক্লোনিং
ওপেন সোর্স
GPU প্রয়োজন মেঘ হ্যাঁ মেঘ মেঘ
API ব্যবহার
মুক্ত স্তর ১৫ ক্রেডিট স্বয়ংক্রিয় হোস্ট সীমাবদ্ধ
বিনামূল্যে চেষ্টা করুন

শব্দ ক্লোনিং API

আমাদের REST API এর সাথে প্রোগ্রামিং দ্বারা কণ্ঠস্বর ক্লোন করুন

পাইথন - শব্দ ক্লোনিং REST API 
from tts_ai import TTSClient

client = TTSClient(api_key="sk-tts-...")

# Clone a voice from a 5-second sample
result = client.clone_voice(
    name="My Cloned Voice",
    file="reference.wav",       # 5-30 seconds of clear speech
    model="chatterbox",         # or cosyvoice2, openvoice, spark...
    text="Hello! This is my cloned voice speaking new text.",
)

# Download the cloned audio
audio = client.poll_result(result.uuid)
with open("cloned_output.wav", "wb") as f:
    f.write(audio)
cURL — শব্দ ক্লোনিং REST API 
curl -X POST https://api.tts.ai/v1/voice-clone \
  -H "Authorization: Bearer sk-tts-YOUR_KEY" \
  -F "reference=@voice_sample.wav" \
  -F "text=This is my cloned voice." \
  -F "model=chatterbox"
API নথিপত্র প্রদর্শন করো

সর্বোত্তম শব্দ ক্লোন ফলাফল জন্য টিপস

এই রেকর্ডিং নির্দেশিকা সহ সবচেয়ে সঠিক ভয়েস ক্লোন পেতে

নিরবতা

নিম্নমানের পটভূমির শব্দ সহ একটি নিরাপদ কক্ষে রেকর্ড করুন। AI পরিষ্কার অডিও থেকে শব্দের বৈশিষ্ট্য আরও সঠিকভাবে বের করে আনে।

১০-৩০ সেকেন্ড

৫ সেকেন্ড কাজ করলেও ১০-৩০ সেকেন্ডে অনেক ভালো ফলাফল পাওয়া যায়। AI যত বেশি প্রাকৃতিক কথা শুনবে, ক্লোন তত বেশি সঠিক হবে।

প্রাকৃতিক বক্তৃতা

স্বাভাবিকভাবে কথা বলুন, একই ধরনের শব্দে নয়। বিভিন্ন ধরনের উচ্চারণ এবং গতি অন্তর্ভুক্ত করুন। AI আপনার স্বাভাবিক কথা বলার ধরন ধরে রাখে, যেমন বিরতি এবং জোর।

একক স্পিকার

শুধুমাত্র একজন ব্যক্তির কথা বলার জন্য একটি নমুনা ব্যবহার করুন। একাধিক কণ্ঠস্বর স্পিকারের অন্তর্ভুক্তির সাথে ঝামেলা সৃষ্টি করে এবং মিশ্রিত ফলাফল তৈরি করে।

ক্লোনিং আরম্ভ করো

আজ থেকেই শব্দের ক্লোন তৈরি শুরু করুন

৫ সেকেন্ডের অডিও আপলোড করুন এবং ৩০ সেকেন্ডের মধ্যে আপনার ক্লোন করা কণ্ঠ শুনুন। বিনামূল্যে চেষ্টা করুন।

এখন একটি শব্দ ক্লোন করো API নথিপত্র

প্রায়শ জিজ্ঞাসিত প্রশ্ন

বাস্তব-সময়ের ভয়েস ক্লোনিং সম্পর্কে সাধারণ প্রশ্ন

রিয়েল-টাইম ভয়েস ক্লোনিং হল একটি AI প্রযুক্তি যা একটি সংক্ষিপ্ত অডিও নমুনা থেকে একজন ব্যক্তির কণ্ঠস্বর প্রতিলিপি করতে পারে -5সেকেন্ডের মতো কম - কোন প্রশিক্ষণ বা ফিন-টুইনিং ছাড়াই। আপনি একটি নমুনা আপলোড করুন, এবং AI নতুন বক্তব্য তৈরি করে যা সেই ব্যক্তির মতো শোনায়। TTS.ai ৯টি ভিন্ন ভয়েস ক্লোনিং মডেল প্রদান করে, প্রত্যেকটি ভিন্ন গুণমান, গতি এবং ভাষা সমর্থন সহ।

বেশিরভাগ মডেলের ক্ষেত্রে (Chatterbox, CosyVoice2, Spark, GPT-SoVITS, OpenVoice) ৫ সেকেন্ডের মধ্যে কাজ করা যায়। সবচেয়ে ভালো ফলাফল পেতে Tortoise-এর জন্য ১৫+ সেকেন্ড প্রয়োজন। সব মডেলের জন্য সর্বোত্তম গুণমানের জন্য ১০-৩০ সেকেন্ডের পরিষ্কার, একক স্পিকার অডিও সুপারিশ করা হয়। অডিওটি পটভূমির শব্দ ও সঙ্গীত মুক্ত হওয়া উচিত।

Voice cloning technology itself is legal. However, you should only clone voices you have permission to use — your own voice, voices you have explicit consent for, or voices in the public domain. Using voice cloning to impersonate someone without consent, commit fraud, or create misleading content is illegal in most jurisdictions. TTS.ai's terms require you to have rights to any voice you clone.

আপনার ব্যবহারের ক্ষেত্রের উপর নির্ভর করে। Chatterbox আবেগ নিয়ন্ত্রণ সহ উচ্চমানের ইংরেজি ক্লোন তৈরি করে। CosyVoice2বহুভাষী ক্লোন তৈরির জন্য সবচেয়ে ভালো (চীনা, ইংরেজি, জাপানি, কোরীয়)। Spark সবচেয়ে দ্রুততম, ~১২ সেকেন্ড। Tortoise স্টুডিও-মানের ফলাফল তৈরি করে, কিন্তু ধীরগতির। GPT-SoVITS চীনা ভয়েস ক্লোন তৈরিতে অসাধারণ। আপনার কণ্ঠের জন্য সবচেয়ে ভালো মিল খুঁজে বের করতে একাধিক মডেল পরীক্ষা করুন।

হ্যাঁ — এটিকে বলা হয় ক্রস- ভাষার কন্ঠ ক্লোনিং। CosyVoice2, Qwen3-TTS এবং OpenVoice এটি সমর্থন করে। উদাহরণস্বরূপ, আপনি একটি ইংরেজি কন্ঠ নমুনা আপলোড করতে পারেন এবং চীনা, জাপানি, অথবা কোরীয় ভাষায় কথা বলার সময় স্পিকারের কন্ঠের বৈশিষ্ট্য সংরক্ষণ করতে পারেন। মডেল এবং ভাষা জুটির উপর ভিত্তি করে গুণমান পরিবর্তিত হয়।

The CorentinJ/Real-Time-Voice-Cloning GitHub project (60K+ stars) uses SV2TTS, a 2019 architecture. While groundbreaking at the time, modern models like Chatterbox, CosyVoice 2, and GPT-SoVITS produce significantly better audio quality with better speaker similarity. TTS.ai runs 9 state-of-the-art models (vs SV2TTS's one) and requires no GPU setup — just upload and clone.

হ্যাঁ। TTS.ai শব্দ ক্লোন করার জন্য একটি REST API প্রদান করে। রেফারেন্স অডিও এবং টেক্সট আপলোড করুন, একটি মডেল নির্বাচন করুন এবং ক্লোন করা কথা গ্রহণ করুন। পাইথন SDK (`pip install ttsai`), জাভাস্ক্রিপ্ট SDK (`npm install @ttsainpm/ttsai`) অথবা সরাসরি HTTP অনুরোধের মাধ্যমে উপলব্ধ। একই ক্লোনকৃত শব্দের সাথে একাধিক টেক্সট প্রক্রিয়াকরণের জন্য ব্যাচ ক্লোনিং সমর্থন করে।

হ্যাঁ। ক্লোন করার পর, আপনার অ্যাকাউন্টে শব্দটি সংরক্ষণ করুন এবং রেফারেন্স অডিও পুনরায় আপলোড না করে অসীমিত প্রজন্মের মধ্যে এটি পুনরায় ব্যবহার করুন। সংরক্ষিত শব্দগুলি শব্দ ক্লোনিং পৃষ্ঠায় আপনার শব্দ লাইব্রেরিতে প্রদর্শিত হবে এবং API ব্যবহার করে প্রবেশযোগ্য হবে।

WAV, MP3, OGG, FLAC এবং WebM সমস্ত সমর্থিত। আপনি আপনার ব্রাউজার ব্যবহার করে সরাসরি মাইক্রোফোন রেকর্ডার ব্যবহার করে রেকর্ড করতে পারেন। সর্বোত্তম ফলাফল পেতে, lossless WAV ফরম্যাটে ১৬kHz বা উচ্চতর ব্যবহার করুন। AI স্বয়ংক্রিয়ভাবে অডিও প্রসেস (রিস্যাম্পলিং, ঝামেলা পরিশোধক) ইনপুট ফরম্যাটের উপর নির্ভর করে।

মডেলের উপর ভিত্তি করে প্রজন্মের সময় পরিবর্তিত হয়: স্পার্ক সবচেয়ে দ্রুত ~১২ সেকেন্ড, ওপেনভয়েস ~১৫ সেকেন্ড, জিপিটি-সোভিটস ~১৬ সেকেন্ড, কোসিভয়েস ২ ~২০ সেকেন্ড, চ্যাটার্বোক্স ~২১ সেকেন্ড এবং টর্টোইজ ~৬০ সেকেন্ড। এই সময়গুলো সাধারণ বাক্য-দৈর্ঘ্যের টেক্সটের জন্য। দীর্ঘ টেক্সট অনুপাতগতভাবে বেশি সময় নেয়।

একটি পরিশোধিত পরিকল্পনার ক্ষেত্রে, হ্যাঁ, বেশিরভাগ ক্লোনিং মডেলের ক্ষেত্রে, যদি আপনার উৎস শব্দের অধিকার থাকে। আপনি ইউটিউব ভিডিও, পডকাস্ট, অডিওবুক, অ্যাপ, খেলা, ফোন সিস্টেম এবং অন্যান্য বাণিজ্যিক অ্যাপ্লিকেশনে ক্লোন করা অডিও ব্যবহার করতে পারেন, এবং আপগ্রেড করা অডিওও আপনি আগে ফ্রি স্তর তৈরি করেছেন; ফ্রি-স্তর অডিও ব্যক্তিগত ব্যবহারের জন্য। ক্লোনিং মডেল "ব্যক্তিগত এবং বাণিজ্যিক নয় ব্যবহার শুধুমাত্র" চিহ্নিত, যেমন স্পার্ক TTS, শুধুমাত্র বাণিজ্যিক নয় ব্যবহারের জন্য প্রতিটি পরিকল্পনার জন্য।

হ্যাঁ। আমরা যেকোনো মডেল চালাতে পারি যা উন্মুক্ত উৎস এবং GitHub/HuggingFace এ পাওয়া যায়। আপনি আপনার নিজের GPU সার্ভারে Chatterbox, CosyVoice2, GPT-SoVITS, OpenVoice, Spark, IndexTTS-2, GLM-TTS, Qwen3-TTS, অথবা Tortoise স্ব-হোস্ট করতে পারেন। বেশিরভাগ মডেলের জন্য NVIDIA GPU এর প্রয়োজন হয়, যার মধ্যে4-24GB VRAM থাকে। TTS.ai সব পরিকাঠামোর ব্যবস্থা করে, তাই আপনাকে তা করতে হবে না।
5.0/5 (1)

আমরা কি উন্নতি করতে পারি? আপনার ফিডব্যাক আমাদের সমস্যা সমাধানে সাহায্য করে।

সেকেন্ডের মধ্যে যেকোন শব্দ ক্লোন করুন

৯টি মুক্ত উৎস ভয়েস ক্লোনিং মডেল। ৫ সেকেন্ডের নমুনা। কোন প্রশিক্ষণ প্রয়োজন নেই। এটি বিনামূল্যে চেষ্টা করুন - আপনার অডিও আপলোড করুন এবং ক্লোনটি তাৎক্ষণিকভাবে শুনুন।

নিবন্ধন করুন মূল্য প্রদর্শন