Spark TTS ТТС
Voice cloning from five seconds of audio combined with prompt-based control over emotion, speed, and speaking style.
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 Spark TTS
Spark TTS by SparkAudio merges voice cloning with controllable delivery in a single prompt-driven system. Using just five seconds of reference audio it clones a voice, then lets you steer emotion, speed, and speaking style while keeping that cloned identity intact. Under the hood it combines a BiCodec audio tokenizer, an LLM, and flow matching, and it supports English and Chinese. It is aimed at content creation where a single cloned voice needs to express a range of moods and pacing. Note the licensing split: Spark's code is Apache 2.0, but the model weights are released under CC BY-NC-SA 4.0, which restricts commercial use.
Келесіге ең қолайлы: Content creation with cloned voices and emotional control
Барлығын қарау Spark TTS дауысБір қарапайым
- Жасаушы
- SparkAudio
- Лицензия
- CC BY-NC-SA 4.0
- Түр
- standard
- Жылдамдығы
- medium
- Дыбысын көшіру
- Иә
- Тілдер
- English, Chinese
- Макс. таңбалар саны
- 1000