Sesame CSM

Sesame CSM TTS

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

Підписатися обмеження на 5,000 символів

Переносити ваш текст до міток SSML для точного керування:

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

Додати позначки емоцій доставки впливу (відносна підтримка model):

Ця модель читає простий текст, отже теґи вбудований буде проігноровано. Для емоцій, заснованих на мітках, перемкніться на модель експресивного вираження, на зразок Orpheus або Bark.

Визначити нетипові вимови (слово = вимова):

-12 +12
0.5x 2.0x
Вільно з Пайпером, VITS, Melotts
Тут з' явиться створений вами звуковий файл. Оберіть модель, введіть текст і натисніть кнопку Створити.
Звук успішно створено
0:00
Звантажити аудіо Звантажити. str Зв' язок закінчується через 24h
Вільний наручник: особисте використання. Комерційна ліцензія з $5/mo
У режимі низького зменшення вільного символу Отримати 200К символів щомісяця або одночасно 100К пачки за 5 доларів
Зробити це вашим власним голосом Клонувати голос за 30 секунд
Любити TTS.ai?

Про програму 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.

Найкраще для: AI assistants, chatbots, conversational AI applications

Перегляд всього Sesame CSM голоси

На перший погляд

Розробник
Sesame
Ліцензія
Apache 2.0
Тір
premium
Швидкість
slow
Клонування голосів
Ні
Мови
English
Макс. символи
500

Sesame CSM голоси

Speaker 0

English
Премій Neutral

Speaker 1

English
Премій Neutral

Sesame CSM ТЖИ · СО

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.
← Всі голоси