Szöveg a beszédhez AI ügynökök Zene Beszéd szövegre Hang klónozása Hangtervezés Piactér Még
Hibajelentés / feladatkérés
Sesame CSM

Sesame CSM TTS

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

0/500 karakterek · Feliratkozás 5000 generációnként →
Regisztrálj! 5000 karakterhatárra

Írja be a szöveget az SSML címkékbe a pontos vezérlés érdekében:

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

A kijelölt modell tagjeiben a ~ kattintson az alábbi szövegbe:

Ez a modell egyszerű szöveget olvas, így a sorcímke figyelmen kívül marad. A tag alapú érzelem, váltson át egy expresszív modell, mint Orpheus vagy Bark.

Definiáld az egyéni kiejtéseket (szó = kiejtés):

-12 +12
0.5x 2.0x
Szabad Piper, VITS, MelotTS
A generált audio jelenik meg itt. Válasszon ki egy modellt, írja be a szöveget, és kattintson a Generate gombra.
Audio generált sikeresen
0:00
Audio letöltése Letöltés.srt A kapcsolat 24 órán belül lejár
Ingyenes szint: személyes használat. Kereskedelmi engedély 5 dollárról
Mondd el a barátaidnak!

About 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.

Legjobb: AI assistants, chatbots, conversational AI applications

Összes böngészés Sesame CSM hangok

Egy pillantásra

Fejlesztő
Sesame
Jogosítvány
Apache 2.0
Tier
premium
Sebesség
slow
Hang klónozása
Nem.
Nyelvek
English
Max. karakterek
500

Sesame CSM hangok

Speaker 0

English
Prémium Neutral

Speaker 1

English
Prémium Neutral

Sesame CSM TTS - FAQCharselect unicode block name (optional, probably does not need a translation)

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.
← Minden hang