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

Sesame CSM TTS

A 1B conversational speech model that captures natural dialogue timing, turn-taking, and backchannel responses.

0/500 অক্ষর · প্রতি প্রজন্মে ৫,০০০ টাকার জন্য নিবন্ধন করুন →
নিবন্ধন করুন ৫,০০০ অক্ষরের সীমা

নির্দিষ্ট নিয়ন্ত্রণের জন্য আপনার লেখাকে এস- এস- এম- এল ট্যাগ- এ ঢোকাও:

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

নির্বাচিত মডেল যে ট্যাগগুলি বুঝে — আপনার লেখায় যেখানে তা ঘটে সেখানে একটি ট্যাগ স্থাপন করতে ক্লিক করুন:

এই মডেলটি প্লেইন টেক্সট পড়ে, তাই ইনলাইন ট্যাগগুলি উপেক্ষা করা হয়। ট্যাগ-ভিত্তিক আবেগ-প্রবণতার জন্য, Orpheus বা Bark-এর মত একটি প্রকাশক মডেলে পরিবর্তন করুন।

স্বনির্বাচিত উচ্চারণ নির্ধারণ করো (শব্দ = উচ্চারণ):

-12 +12
0.5x 2.0x
পাইপার, VITS, MeloTTS এর সাথে বিনামূল্যে
আপনার তৈরিকৃত অডিও এখানে দেখা যাবে। একটি মডেল বেছে নিন, টেক্সট লিখুন এবং তৈরি করো ক্লিক করুন।
অডিও সফলভাবে তৈরি করা হয়েছে
0:00
অডিও ডাউনলোড করো .srt ডাউনলোড করুন ২৪ ঘণ্টার মধ্যে লিঙ্কের মেয়াদ শেষ হবে
ফ্রি টাইর: ব্যক্তিগত ব্যবহারের জন্য। $5/মাসে বাণিজ্যিক লাইসেন্স
TTS.ai পছন্দ করেন? আপনার বন্ধুদের বলুন!

পরিচিতি Sesame CSM

Sesame CSM (Conversational Speech Model) is a 1-billion-parameter model from Sesame designed specifically for the rhythms of human conversation. Built on a Llama backbone paired with an audio codec, it models turn-taking timing, backchannel responses (the small acknowledgements people make while listening), emotional reactions, and overall conversational flow. The result reads less like read-aloud text and more like a real spoken exchange. It is a natural fit for AI assistants, chatbots, and conversational interfaces where the goal is speech that feels responsive and human. CSM is released under Apache 2.0, and access on TTS.ai requires a Hugging Face token at the model level.

এর জন্য সেরা: AI assistants, chatbots, conversational AI applications

সব ব্রাউজ করুন Sesame CSM শব্দ

এক নজরে

ডেভেলপার
Sesame
লাইসেন্স
Apache 2.0
টাইমার
premium
গতি
slow
শব্দের ক্লোন
না
ভাষা
English
সর্বোচ্চ অক্ষর
500

Sesame CSM শব্দ

Speaker 0

English
প্রিমিয়াম Neutral

Speaker 1

English
প্রিমিয়াম Neutral

Sesame CSM TTS - ফ্যাক্টস

Conversational speech. It models the natural patterns of dialogue — turn-taking timing, backchannel responses, and emotional reactions — so generated audio sounds like a real conversation rather than synthetic narration.

It is a 1-billion-parameter model built on a Llama backbone with an audio codec for waveform generation.

AI assistants, chatbots, and other conversational applications where responsive, human-sounding speech matters more than long-form narration.
← সব শব্দ