Spark TTS

Spark TTS ടിടിഎസ്

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

ഒപ്പ് വയ്ക്ക്. 5,000 ക്യാരക്ടര്‍ പരിധിയ്ക്കു്

കൃത്യമായ നിയന്ത്രണത്തിനായി SSML തൊങ്ങലില്‍ വാചകം പൊതിയുക:

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

തെരഞ്ഞെടുത്ത മാതൃക മനസ്സിലാക്കുന്നത് ടാഗ് (കുടികള്‍) :

ഈ മോഡ് സാധാരണ പദാവലി വായിക്കുന്നു, അതുകൊണ്ട് ഇന്‍ലൈന്‍ തൊങ്ങല്‍ അവഗണിപ്പിക്കുന്നു. ടാഗ് അടിസ്ഥാനപരമായ വികാരങ്ങള്‍ക്കു് ഓര്‍ഫിയസ് അല്ലെങ്കില്‍ ബാര്‍ക് പോലുള്ള ഒരു ചിത്രീകരണ മോഡില്‍ മാറുക.

ഇഷ്ടപ്പെട്ട ഉച്ചാരണം നിര്‍വ്വചിക്കുക (വാക്ക് = ഉച്ചാരണം):

-12 +12
0.5x 2.0x
പൈപ്പര്‍, വി.ടി.സ്, മെലോട്ടിക്സ്
നിങ്ങള്‍ ഉണ്ടാക്കിയ ഓഡിയോ ഇവിടെ പ്രത്യക്ഷപ്പെടും. ഒരു മാതൃക തെരഞ്ഞെടുക്കുക, പദാവലി നല്‍കുക, നിര്‍മ്മിക്കുക എന്നിവ നിര്‍മ്മിക്കുക.
വിജയകരമായി ഉണ്ടാക്കിയ ശബ്ദങ്ങള്‍
0:00
ഓഡിയോ ഡൌണ്‍ലോഡ് ചെയ്യുക ഡൌണ്‍ലോട് ചെയ്യുക ലിങ്ക് 24hല്‍ അവസാനിച്ചിരിക്കുന്നു
സ്വതന്ത്രമായ അക്ഷരങ്ങളുടെ താഴേയ്ക്ക് പ്രവര്‍ത്തിപ്പിയ്ക്കുന്നു ഓരോ മാസവും 200K അക്ഷരങ്ങള്‍ ലഭ്യമാക്കുക — 550/mo അല്ലെങ്കില്‍ ഒരു സമയം 100K പാക്ക് 5000- നു്
ഇത് നിന്റെ ശബ്ദം തന്നെ ആക്കൂ. ശബ്ദം 30 സെക്കന്‍റില്‍ ക്ലിയര്‍ ചെയ്യുന്നു
ടിടിഎസ് സ്‌നേഹിക്കുന്നു, കൂട്ടുകാരോട് പറയൂ!

സംബന്ധിച്ച് 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.

അതിനു വേണ്ടിയുള്ള ഏറ്റവും നല്ല സ്ഥലം.: Content creation with cloned voices and emotional control

എല്ലാം പരതുക Spark TTS ശബ്ദങ്ങള്‍

ഒരു നോക്കുമ്പോള്‍

രചയിതാവു്
SparkAudio
അനുമതി
CC BY-NC-SA 4.0
ടിയെര്‍
standard
വേഗത
medium
ശബ്ദമിശ്രണോപാധി
അതെ
ഭാഷകള്‍
English, Chinese
ഏറ്റവും കൂടിയ ക്യാരക്ടറുകള്‍
1000

Spark TTS ശബ്ദങ്ങള്‍

Chinese Default

Chinese
സ്റ്റാന്‍ഡേര്‍ഡ് Neutral

Default

English
സ്റ്റാന്‍ഡേര്‍ഡ് Neutral

Spark TTS ടിടിഎസ്‌ —⁠ എഫ്‌എക്‌സി

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.
← എല്ലാ ശബ്ദങ്ങളും