Default
ፕሪሚየም
እንግሊዝኛ
Neutral
StyleTTS 2
StyleTTS 2
Default በStyleTTS 2 ጽሑፍ-ወደ-ንግግር ሞዴል የተደገፈ የ neutral AI ድምፅ ነው. ይህ የፕሪሚየም ደረጃ ድምፅ እንግሊዝኛ ይናገራል እና ስታዲየም-quality የንግግር ማቀነባበሪያን ይሰጣል. በ መካከለኛ የፍጥነት ፍጥነት እና በ 5/5 ጥራት ደረጃ Default ለ studio-quality single-speaker synthesis, professional narration ተስማሚ ነው የ StyleTTS 2 ማሽን በ Columbia University under the MIT license የተገነባ ሲሆን ለኮሜርሺያል ጥቅም ደህንነቱ የተጠበቀ ነው። የዋና ችሎታዎችን ያካትታል: human-level, style diffusion, adversarial training, natural variation, high fidelity.
ደረጃ አልተሰጠም
የሞዴል መረጃ
| ሞዴል | StyleTTS 2 |
| አዘጋጅ | Columbia University |
| ጥራት | |
| ፍጥነት | መሀከል |
| ፈቃድ | MIT |
| መተላለፊያ | አልተገኘም |
| ዐምድ | ፊደል(ሎች) |
| መለኪያዎች | 100M |
| አርክቴክቸር | Style Diffusion + Adversarial Training |
| የቀን መቁጠሪያ ዕይታ | 585 ሰዓቶች |
| ዓመት | 2024 |
ምርጥ የጠቀሙበት ሁኔታዎች Default
የድምፅ ባህሪያትን በመመርኮዝ የተመረጡ ፕሮግራሞች
የድምፅ መጽሐፍት
Defaultን በመጠቀም ረዥም የሆኑትን ይዘቶች በነፃነት ለመግለጽ ይጠቀሙ
የቪዲዮ ድምፅ
የዩቲዩብ ቪዲዮዎች፣ ማስታወቂያዎች እና ማህበራዊ ሚዲያ ይዘት ላይ የሙያ መዝገበ ቃላትን ጨምር።
ብሮድካስት
የስታዲዮ ጥራት ምርት ለፖድካስት, ሬዲዮ, እና ሙያ ብሮድካስቲንግ ተስማሚ ነው.
ጨዋታዎችና ተለዋዋጭ መገናኛዎች
ለጨዋታ ውይይት፣ ለተገናኝ ታሪኮች፣ እና ለተጨባጭ ተሞክሮዎች ከፍተኛ ጥራት ያለው
ብዙ ጊዜ የሚጠየቁ ጥያቄዎች
StyleTTS 2 የሰው ደረጃ TTS ማቀነባበሪያን በከፍተኛ የንግግር ቋንቋ ሞዴሎችን በመጠቀም የቋንቋ ልዩነትን እና የቋንቋ ልዩነትን በማቀናጀት ያሳያል. በአንድ-ተናጋሪ ሞዴሎች መካከል በጣም ተፈጥሯዊ የሆነውን ንግግር ያመነጫል ፣ የሰው መዝገቦችን የሚወዳደር። StyleTTS 2 የሰው ንግግር ልዩነትን ለመያዝ የቋንቋ ልዩነትን በመጠቀም የቋንቋ ልዩነትን ያመነጫል ፡፡
StyleTTS 2 በኮሎምቢያ ዩኒቨርሲቲ የተፈጠረ ሲሆን በኤም.አይ.ቲ. ፈቃድ ስር ይወጣል፣ ይህም የፈጠረውን ድምፅ ለኮምፒውተር ጥቅም የሚጠቀምበትን መንገድ ይፈቅዳል።
StyleTTS 2 1 ቋንቋን ይደግፋል: እንግሊዝኛ
StyleTTS 2 በፕሪሚየም ደረጃ ላይ ነው - ለ 1,000 አሃዞች 4 ክሬዲቶች. የ StyleTTS 2 ድምፅን ነፃ በሆነ መንገድ ከመፍጠርዎ በፊት ማየት ይችላሉ።
StyleTTS 2 መካከለኛ የፍጥነት ፍጥነት አለው. ፍጥነት በጽሑፉ ርዝመት ላይ በመመርኮዝ በጥቂት ሰከንዶች ውስጥ ይመጣል.
StyleTTS 2 በTTS.ai ላይ ለድምፅ ጥራት 5/5 ተቆጥሯል። ስቱዲዮ-ደረጃ፣ ሰው-እንደ-ንግግር ይሰጣል ፡፡
አይደለም፣ StyleTTS 2 የውስጥ ድምጾችን ቀጥተኛ ስብስብ ይጠቀማል። ለድምፅ ክሎኒንግ፣ እንደ CosiVoice 2፣ GPT-SoVITS ወይም Chatterbox ያሉ ሞዴሎችን ይሞክሩ።
አዎ, StyleTTS 2 ለስታዲየም-ጥራት አንድ-ተናጋሪ ስብስብ, የሙያ ታሪክ ልዩ ልዩ መከራከሪያ ነው. የሰው-ደረጃ, ስታይል መተላለፊያ, ተቃራኒው ስልጠና አቅሞች ለዚህ ጥቅም ሁኔታ ምርጥ ምርጫ ያደርገዋል.
አዎ፣ StyleTTS 2 በ MIT ስር ሊሰጥ የሚችል ነው፣ ይህም የኮሜርሺያል ጥቅም ያስችላል። በ StyleTTS 2 የተፈጠሩ ድምፆች በቪዲዮዎች፣ በፖድካስቶች፣ በአፕሊኬሽኖች፣ በጨዋታዎች፣ እና በሌሎችም የኮሜርሺያል ፕሮጀክቶች ሊጠቀሙባቸው ይችላሉ።
አዎ፣ በTTS.ai ላይ ያሉት ድምጾች ሁሉ የኮሜርሺያል-ላይሴንስ የተሰጣቸውን የኦፕን-ሶርስ ሞዴሎችን (MIT, Apache 2.0) ይጠቀማሉ፡፡ የተፈጠረው ድምፅ በቪዲዮዎች፣ በፖድካስቶች፣ በአፕሊኬሽኖች፣ በጨዋታዎችና በሌሎችም የኮሜርሺያል ፕሮግራሞች ውስጥ ለመጠቀም የእርስዎ ነው
የ POST ጥያቄን ወደ /api/v1/tts/ በሞዴል ስም እና የድምፅ ID ይላኩ. በፒታውን፣ ጃቫስክሪፕት፣ ጎ፣ እና በኩርል የኮድ ምሳሌዎች የ API ማስረጃ ገጽን ይመልከቱ።
አዎ፣ ምሳሌ ለማዳመጥ በእነዚህ ገጾች ላይ ያለውን መጫን ቁልፍ ጠቅ ያድርጉ። በጽሑፍ ወደ ንግግር ገጽ ላይ የግል ጽሑፍን መጻፍ እና በየትኛውም ድምፅ ነፃ ቅድመ ዕይታን ማምጣት ይችላሉ።