Spark TTS ТТС
Voice cloning from five seconds of audio combined with prompt-based control over emotion, speed, and speaking style.
Матныгызны төгәл контроль өчен SSML теглары белән әйләндерегез:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Сайланган модель аңлаган теглар — аларны җөмләгә төшерү өчен өстәп куегыз:
Бу модель гади текстны укый, шуңа күрә эчтәге теглар игътибарга алынмый. Тэгларга нигезләнгән эмоцияләр өчен, Orpheus яки Bark кебек иҗади модельгә күчегез.
Үзенчәлекле әйтелешне билгеләгез (сүз = әйтелеш):
Бәйләнешләр 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.
Иң яхшысы: Content creation with cloned voices and emotional control
Барлыгын карау Spark TTS тавышларБер карашка
- Программист
- SparkAudio
- Лицензия
- CC BY-NC-SA 4.0
- Гыйнвар
- standard
- Югары тизлек
- medium
- Сүзләрне клонлау
- Әйе
- Телләр
- English, Chinese
- Макс. символлар саны
- 1000