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.

မှတ်ပုံတင်ပါ 5,000 စာလုံးအဆုံးသတ်

တိကျသောထိန်းချုပ်မှုများအတွက် SSML tags များအတွင်းသင်၏စာသားကို Wrap:

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

Tags ရွေးချယ်ထားသောမော်ဒယ်နားလည် — ဒါဟာဖြစ်ပျက်တဲ့နေရာမှာသင့်ရဲ့စာသားထဲသို့တစ်ဦး drop ကိုကလစ်နှိပ်ပါ:

ဒီပုံစံကိုရိုးရှင်းတဲ့စာသားဖတ်ရှု, ဒါကြောင့် inline tags တွေကိုလျစ်လျူရှုနေကြသည်။ tag ကိုအခြေခံစိတ်ခံစားမှုအတွက်, Orpheus သို့မဟုတ် Bark ကဲ့သို့သောဖော်ပြမှုပုံစံသို့ switch.

custom pronunciations ကိုသတ်မှတ်ပါ (word = pronunciation):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS နှင့်အတူအခမဲ့
သင်၏ထုတ်လုပ်အသံဒီမှာပေါ်လာလိမ့်မည်။ ရွေးချယ်ပါ, စာသားကိုထည့်သွင်း, နှင့် Generate ကိုကလစ်နှိပ်ပါ.
အသံဖိုင် အောင်မြင်စွာ ထုတ်လုပ်နိုင်ခဲ့သည်
0:00
အသံဖိုင်များ ဒေါင်းလုပ်လုပ် ဒေါင်းလုပ်လုပ်.srt Link ကို 24h တွင်ကုန်ဆုံးသည်
အခမဲ့ tier: ပုဂ္ဂလိကအသုံးပြုမှု။ စီးပွားရေးလိုင်စင်မှ $5/mo
TTS.ai ကိုချစ်ပါသလား?

အကြောင်း 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.

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

အားလုံးကို ရှာဖွေ Kani TTS 2 အသံများ

တစ်ချက်ကြည့်ပါ

ဖန်တီးသူ
NineNineSix
လိုင်စင်
Apache 2.0
အမျိုးအစား
free
အမြန်နှုန်း
fast
အသံကို ကူးယူခြင်း
ဟုတ်ကဲ့
ဘာသာစကားများ
English
အက္ခရာအရေအတွက်
1000

Kani TTS 2 အသံများ

Default

English
စံ Neutral

Kani TTS 2 TTS — FAQ

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.
← အသံအားလုံး