Sesame CSM

Sesame CSM TTS

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

Kayıt ol 5000 karakter sınırı için

Kesin kontrol için metninizi SSML etiketleri içinde sarılın:

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

Seçilmiş modeli anlayan etiketler — bir tanesini metinde olduğu yere bırakmak için tıklayınız:

Bu model sıradan metin okur, bu yüzden satır içindeki etiketler göz ardı edilir. Etiket tabanlı duygular için, Orpheus veya Bark gibi ifadesel bir modele geçin.

Özel telaffuzları tanımla (kelime = telaffuz):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS ile ücretsiz
Oluşturduğunuz ses burada görünecek. Bir model seçin, metni girin ve Oluştur' a basın.
Ses Başarıyla Oluşturuldu
0:00
Ses İndir İndir Bağlantı 24 saat içinde sona erer
Özgür katman: kişisel kullanım. Ticari lisans ayda 5$'dan
TTS.ai'yi seviyor musunuz?

Hakkında 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.

En iyi: AI assistants, chatbots, conversational AI applications

Hepsini Ara Sesame CSM sesleri

Bir bakışta

Geliştirici
Sesame
Lisans
Apache 2.0
Hayvan
premium
Hız
slow
Ses klonlama
Hayır.
Dilleri
English
Maksimum karakterler
500

Sesame CSM sesleri

Speaker 0

English
Ücretsiz Neutral

Speaker 1

English
Ücretsiz 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.
← Tüm sesleri