VoxCPM TTS
A tokenizer-free TTS model that works in continuous space, outputs 44.1kHz audio, and stays consistent across paragraphs.
ચોક્કસ નિયંત્રણ માટે SSML ટેગોમાં તમારું લખાણ લપેટો:
<speak><prosody rate="slow">Slow speech</prosody></speak>
પસંદ કરેલ મોડેલ સમજે છે તે ટેગ્સ - તમારા લખાણમાં એકને મૂકવા માટે ક્લિક કરો જ્યાં તે થાય છે:
આ મોડેલ સાદા લખાણને વાંચે છે, તેથી અંદરના ટેગો અવગણવામાં આવે છે. ટેગ આધારિત લાગણી માટે, Orpheus અથવા Bark જેવા વ્યક્ત કરવા માટેના મોડેલમાં બદલો.
વૈવિધ્યપૂર્ણ ઉચ્ચારણો વ્યાખ્યાયિત કરો (શબ્દ = ઉચ્ચારણ):
વિશે VoxCPM
VoxCPM 1.5 by OpenBMB takes an unusual approach: instead of converting speech into discrete tokens, it operates directly in continuous space, which helps it preserve fine acoustic detail. It produces high-fidelity 44.1kHz audio, supports zero-shot voice cloning from three to ten seconds of reference, and maintains a consistent voice across long passages — a common failure point for other models on multi-paragraph text. Its cross-language cloning lets an English reference voice speak Chinese and vice versa. With Apache 2.0 licensing and LoRA fine-tuning support, it is well suited to audiobooks and long-form content where voice consistency over many paragraphs is essential.
માટે શ્રેષ્ઠ: High-fidelity audio, audiobooks, long-form content with voice consistency
બધું બ્રાઉઝ કરો VoxCPM અવાજોએક નજરમાં
- ડેવલોપર
- OpenBMB
- લાઇસન્સ
- Apache 2.0
- તીર
- standard
- ઝડપ
- fast
- અવાજ ક્લોનિંગ
- હા
- ભાષાઓ
- English, Chinese
- મહત્તમ અક્ષરો
- 2000