VoxCPM ТТС
A tokenizer-free TTS model that works in continuous space, outputs 44.1kHz audio, and stays consistent across paragraphs.
Мәтінді SSML тегтермен тасымалдау үшін нұсқау:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Таңдалған үлгі түсінетін тегтер - біреуін мәтінге түсіру үшін түртіңіз:
Бұл модель қарапайым мәтін оқиды, сондықтан жол ішіндегі тегтер елеусіз қалып жатыр. Тегтерге негізделген эмоция үшін Orpheus не Bark сияқты өрнекті модельге ауысыңыз.
Өзінің дыбысын анықтау (сөз = дыбысы):
& Бұл туралы 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.
Келесіге ең қолайлы: High-fidelity audio, audiobooks, long-form content with voice consistency
Барлығын қарау VoxCPM дауысБір қарапайым
- Жасаушы
- OpenBMB
- Лицензия
- Apache 2.0
- Түр
- standard
- Жылдамдығы
- fast
- Дыбысын көшіру
- Иә
- Тілдер
- English, Chinese
- Макс. таңбалар саны
- 2000