ಮಾತಿನ ಪಠ್ಯ AI ಏಜರ್‌ಗಳು ಸಂಗೀತ ಮಾತಿನ ಪಠ್ಯ ಧ್ವನಿ ಕೆರಳುವಿಕೆ ಧ್ವನಿ ವಿನ್ಯಾಸName ಮಾರುಕಟ್ಟು ಇನ್ನಷ್ಟು
ದೋಷ / ಉಪಘಟಕದ ಮನವಿಯನ್ನು ವರದಿ ಮಾಡು@ option: check Ask for Confirmation When
Spark TTS

Spark TTS ಟಿಟಿಟ್ಸ್Name

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

0/500 ಲಿಪ್ಯಂಶಗಳು · ಪ್ರತಿ ಪೀಳಿಗೆಗೆ 5,000 ಕ್ಕೆ ಸಹಿ ಹಾಕಿ →
ಚಿಹ್ನೆಯನ್ನು ಚಿಹ್ನೆಯಾಗಿಸು 5,000 ಅಕ್ಷರ ಮಿತಿಗಾಗಿ

ನಿಖರವಾದ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ನಿಮ್ಮ ಪಠ್ಯವನ್ನು SSML ಟ್ಯಾಗ್‌ಗಳಲ್ಲಿ ಭದ್ರಗೊಳಿಸು:

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

ಆಯ್ಕೆ ಮಾಡಲಾದ ಮಾದರಿಗೆ ಗೊಂಬೆ ಹಾಕಿದರೆ ಅದು ನಡೆಯುವ ನಿಮ್ಮ ಪಠ್ಯದಲ್ಲಿ ಒಂದನ್ನು ಹಾಕಲು ಒತ್ತಿ:

ಈ ನಮೂನೆಯನ್ನು ಸರಳ ಪಠ್ಯವಾಗಿ ಓದುವುದರಿಂದ, ಆನ್‌ಲೈನ್ ಟ್ಯಾಗ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ. ಟ್ಯಾಗ್‌- ಸಂಬಂಧಿತ ಭಾವನಾತಕ್ಕಾಗಿ, ಆರೆಫಸ್ ಅಥವ ಬಾರ್ಕ್ ನಂತಹ ಒಂದು ಚಿತ್ರಾಂಶದ ನಮೂನೆಗೆ ಬದಲಾಯಿಸಲಾಗುತ್ತದೆ.

ಗ್ರಾಹಕೀಯ ಉದ್ಧರಣೆಗಳನ್ನು (ಮಾತು = ಉಚ್ಚಾರಣೆಯನ್ನು) ಅರ್ಥನಿರೂಪಿಸು:

-12 +12
0.5x 2.0x
ಪಿಪರ್‌, ವೈಟ್ಸ್‌, ಮೆಲೋಟ್ಸ್‌
ನೀವು ಉತ್ಪಾದಿಸಿದ ಆಡಿಯೊವು ಇಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಒಂದು ನಮೂನೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿ, ಪಠ್ಯವನ್ನು ನಮೂದಿಸಿ ಮತ್ತು ಉತ್ಪತ್ತಿಯನ್ನು ಒತ್ತಿ.
ಶ್ರವ್ಯಾಂಶ (ಆಡಿಯೋ) ದೃಡೀಕರಿಸಲಾದ ಧ್ವನಿ
0:00
ಆಡಿಯೊವನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡು . sstring ಡೌನ್‌ಲೋಡ್ ಕೊಂಡಿಯ ವಾಯಿದೆ 24h ನಲ್ಲಿ
ರಿಚರ್ಡ್‌ ಟೈರ್‌: ವೈಯಕ್ತಿಕ ಉಪಯೋಗ. 550/% ನಲ್ಲಿನ ವ್ಯಾಪಾರೀ ಲೈಸನ್ಸ್
ನಿಮ್ಮ ಸ್ನೇಹಿತರನ್ನು ಪ್ರೀತಿಸುತ್ತೀರಾ?

ಕುರಿತು 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.

ಇದಕ್ಕೆ ಉತ್ತಮ: Content creation with cloned voices and emotional control

ಎಲ್ಲವನ್ನೂ ವೀಕ್ಷಿಸು Spark TTS ಧ್ವನಿಗಳು

ಒಂದು ನೋಟದಲ್ಲಿ

ವಿಕಾಸಕ
SparkAudio
ಪರವಾನಗಿ
CC BY-NC-SA 4.0
ಟೈಅರ್
standard
ವೇಗ
medium
ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ
ಹೌದು
ಭಾಷೆಗಳುName
English, Chinese
ಗರಿಷ್ಟ ಅಕ್ಷರಗಳು
1000

Spark TTS ಧ್ವನಿಗಳು

Chinese Default

Chinese
ಶಿಷ್ಟ Neutral

Default

English
ಶಿಷ್ಟ Neutral

Spark TTS ಟಿ.

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.
← ಎಲ್ಲಾ ಧ್ವನಿಗಳು