Spark TTS ТТС
Voice cloning from five seconds of audio combined with prompt-based control over emotion, speed, and speaking style.
Текстти SSML тегдерине өткөрүп берүү:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Белгилер, тандалган модель түшүнөт — текстке бирин коюу үчүн, аны чыкылдатыңыз:
Бул модель жөнөкөй текстти окуйт, ошондуктан тексттеги тегдер эске алынбайт. Тегдер менен эмоцияларды жаратууда Orpheus же Bark сыяктуу экспрессивдүү моделдерге өтүү керек.
Өзгөчө сүйлөмдөрдү аныктоо (сөз = сүйлөм):
Маалымат 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.
Эң жакшысы: Content creation with cloned voices and emotional control
Баарын кароо Spark TTS үнБир көз салуу
- Жазуучу
- SparkAudio
- Лицензия
- CC BY-NC-SA 4.0
- Тигр
- standard
- Жылдамдыгы
- medium
- Сөздү клондоо
- Ооба
- Тилдер
- English, Chinese
- Макс. символдор
- 1000