Kani TTS 2

Kani TTS 2 TTS

An ultra-lightweight 400M English model that runs in just 3GB of VRAM at a 0.2 real-time factor.

નોંધણી કરો ૫,૦૦૦ અક્ષરોની મર્યાદા માટે

ચોક્કસ નિયંત્રણ માટે SSML ટેગોમાં તમારું લખાણ લપેટો:

<speak><prosody rate="slow">Slow speech</prosody></speak>

પસંદ કરેલ મોડેલ સમજે છે તે ટેગ્સ - તમારા લખાણમાં એકને મૂકવા માટે ક્લિક કરો જ્યાં તે થાય છે:

આ મોડેલ સાદા લખાણને વાંચે છે, તેથી અંદરના ટેગો અવગણવામાં આવે છે. ટેગ આધારિત લાગણી માટે, Orpheus અથવા Bark જેવા વ્યક્ત કરવા માટેના મોડેલમાં બદલો.

વૈવિધ્યપૂર્ણ ઉચ્ચારણો વ્યાખ્યાયિત કરો (શબ્દ = ઉચ્ચારણ):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS સાથે મુક્ત
તમારું ઉત્પન્ન થયેલ ઓડિયો અહીં દેખાશે. મોડેલ પસંદ કરો, લખાણ દાખલ કરો, અને ઉત્પન્ન કરો પર ક્લિક કરો.
ઓડિયો સફળતાપૂર્વક પેદા થયેલ છે
0:00
ઓડિયો ડાઉનલોડ કરો .srt ડાઉનલોડ કરો કડી ૨૪ કલાકમાં સમાપ્ત થાય છે
મુક્ત સ્તર: અંગત વપરાશ. $5/મહિનાથી વેપાર લાઇસન્સ
આને તમારો પોતાનો અવાજ બનાવો ૩૦ સેકન્ડોમાં અવાજનો ક્લોન બનાવો
TTS.ai ને પ્રેમ કરો છો? તમારા મિત્રોને કહી દો!

વિશે Kani TTS 2

Kani-TTS-2 by NineNineSix is an ultra-lightweight 400M-parameter text-to-speech model built on a Liquid AI LFM2 backbone with NVIDIA's NanoCodec. It runs in just 3GB of VRAM and generates roughly ten seconds of speech in about two seconds on an A100 — a real-time factor near 0.2. The current public release ships an English-only checkpoint and, unlike its predecessor, does not expose the speaker-embedding hook needed for voice cloning. Its strength is fast, low-cost English generation on modest hardware, which makes it a good fit for quick previews and high-volume English narration. It is released under Apache 2.0 and offered on the free tier.

માટે શ્રેષ્ઠ: Fast English generation on low-VRAM hardware, quick previews

બધું બ્રાઉઝ કરો Kani TTS 2 અવાજો

એક નજરમાં

ડેવલોપર
NineNineSix
લાઇસન્સ
Apache 2.0
તીર
free
ઝડપ
fast
અવાજ ક્લોનિંગ
નહિં
ભાષાઓ
English
મહત્તમ અક્ષરો
1000

Kani TTS 2 અવાજો

Default

English
મૂળભૂત Neutral

Kani TTS 2 TTS - વારંવાર પૂછાતા પ્રશ્નો

It runs in just 3GB of VRAM and produces about ten seconds of speech in roughly two seconds on an A100 — a real-time factor near 0.2 — thanks to its 400M-parameter LFM2 backbone and NanoCodec.

No. The current v2 release removed the public speaker-embedding hook, so cloning is not available. For cloning, use Chatterbox, IndexTTS-2, or GPT-SoVITS.

English only. The public release ships a single English checkpoint; for non-English speech, use a model like Kokoro or MeloTTS.
← બધા અવાજો