Sesame CSM ТТС
A 1B conversational speech model that captures natural dialogue timing, turn-taking, and backchannel responses.
Мәтінді SSML тегтермен тасымалдау үшін нұсқау:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Таңдалған үлгі түсінетін тегтер - біреуін мәтінге түсіру үшін түртіңіз:
Бұл модель қарапайым мәтін оқиды, сондықтан жол ішіндегі тегтер елеусіз қалып жатыр. Тегтерге негізделген эмоция үшін Orpheus не Bark сияқты өрнекті модельге ауысыңыз.
Өзінің дыбысын анықтау (сөз = дыбысы):
& Бұл туралы 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.
Келесіге ең қолайлы: AI assistants, chatbots, conversational AI applications
Барлығын қарау Sesame CSM дауысБір қарапайым
- Жасаушы
- Sesame
- Лицензия
- Apache 2.0
- Түр
- premium
- Жылдамдығы
- slow
- Дыбысын көшіру
- Жоқ
- Тілдер
- English
- Макс. таңбалар саны
- 500