Spark TTS

Spark TTS ТТС

Voice cloning from five seconds of audio combined with prompt-based control over emotion, speed, and speaking style.

Жазылу 5000 таңба шегі

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):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS-пен тегінName
Бұл жерде құрылған аудио файлыңыз көрсетіледі. Үлгіні таңдап, мәтінін келтіріп, Құру дегенді басыңыз.
Аудио сәтті құрылды
0:00
Аудио жүктеп алу .srt жүктеп алу Сілтеменің мерзімі 24 сағаттан кейін аяқталады
Ұлттық құрама: Ұлттық құрама. Коммерциялық лицензия $5/ай-дан
Бұл дауысты өзіңіздің дауысыңыз қылып қойыңыз 30 секундта дауысты көшіріп алу
TTS.ai ұнады ма? Достарыңызға хабарлаңыз!

& 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 дауыс

Бір қарапайым

Жасаушы
SparkAudio
Лицензия
CC BY-NC-SA 4.0
Түр
standard
Жылдамдығы
medium
Дыбысын көшіру
Иә
Тілдер
English, Chinese
Макс. таңбалар саны
1000

Spark TTS дауыс

Chinese Default

Chinese
Әдетті Neutral

Default

English
Әдетті Neutral

Spark TTS ТТС - ЖАҚСЫ СҰРАҚТАР

It uses a prompt-based control system layered on top of voice cloning, so you can adjust emotion, speed, and speaking style while preserving the identity of the cloned voice.

About five seconds of reference audio is enough to clone a voice in English or Chinese.

Its model weights are licensed CC BY-NC-SA 4.0, which prohibits commercial use, even though the project code is Apache 2.0. Choose a permissively-licensed model for commercial work.
← Барлық дауыстар