Sesame CSM

Sesame CSM TTS

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

Rekisteröidy 5 000 merkin raja-arvo

Kääri tekstisi SSML-tunnisteisiin tarkan valvonnan varmistamiseksi:

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

Merkitse valittu malli ymmärtää – klikkaa pudottaaksesi yhden tekstiisi, missä se tapahtuu:

Tässä mallissa lukee pelkkää tekstiä, joten rivitunnisteet jätetään huomiotta. Jos haluat tag-pohjaisen tunteen, vaihda ilmaisukykyiseen malliin, kuten Orfeus tai Bark.

Määrittele custom-äänet (sana = ääntäminen):

-12 +12
0.5x 2.0x
Vapaa Piperin, VITS:n, MeloTTS:n kanssa
Luomasi ääni näkyy tässä. Valitse malli, kirjoita teksti ja napsauta Luo.
Ääni tuotettu onnistuneesti
0:00
Lataa ääni Lataa.srt Linkki päättyy 24h
Vapaa taso: henkilökohtainen käyttö. Kaupallinen lisenssi $5/mo
Rakasta TTS.aita, kerro ystävillesi!

Tietoja 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.

Paras: AI assistants, chatbots, conversational AI applications

Selaa kaikkia Sesame CSM äänet

Silmäyksellä

Kehittäjä
Sesame
Lisenssi
Apache 2.0
Määrittämistaso
premium
Nopeus
slow
Äänien kloonaus
Ei tarvitse.
Kielet
English
Maksimimerkit
500

Sesame CSM äänet

Speaker 0

English
Palkkio Neutral

Speaker 1

English
Palkkio Neutral

Sesame CSM TTS – FAQ

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.
← Kaikki äänet