ಮಾತಿನ ಪಠ್ಯ AI ಏಜರ್‌ಗಳು ಸಂಗೀತ ಮಾತಿನ ಪಠ್ಯ ಧ್ವನಿ ಕೆರಳುವಿಕೆ ಧ್ವನಿ ವಿನ್ಯಾಸName ಮಾರುಕಟ್ಟು ಇನ್ನಷ್ಟು
ದೋಷ / ಉಪಘಟಕದ ಮನವಿಯನ್ನು ವರದಿ ಮಾಡು@ option: check Ask for Confirmation When
VoxCPM

VoxCPM ಟಿಟಿಟ್ಸ್Name

A tokenizer-free TTS model that works in continuous space, outputs 44.1kHz audio, and stays consistent across paragraphs.

0/500 ಲಿಪ್ಯಂಶಗಳು · ಪ್ರತಿ ಪೀಳಿಗೆಗೆ 5,000 ಕ್ಕೆ ಸಹಿ ಹಾಕಿ →
ಚಿಹ್ನೆಯನ್ನು ಚಿಹ್ನೆಯಾಗಿಸು 5,000 ಅಕ್ಷರ ಮಿತಿಗಾಗಿ

ನಿಖರವಾದ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ನಿಮ್ಮ ಪಠ್ಯವನ್ನು SSML ಟ್ಯಾಗ್‌ಗಳಲ್ಲಿ ಭದ್ರಗೊಳಿಸು:

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

ಆಯ್ಕೆ ಮಾಡಲಾದ ಮಾದರಿಗೆ ಗೊಂಬೆ ಹಾಕಿದರೆ ಅದು ನಡೆಯುವ ನಿಮ್ಮ ಪಠ್ಯದಲ್ಲಿ ಒಂದನ್ನು ಹಾಕಲು ಒತ್ತಿ:

ಈ ನಮೂನೆಯನ್ನು ಸರಳ ಪಠ್ಯವಾಗಿ ಓದುವುದರಿಂದ, ಆನ್‌ಲೈನ್ ಟ್ಯಾಗ್‌ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ. ಟ್ಯಾಗ್‌- ಸಂಬಂಧಿತ ಭಾವನಾತಕ್ಕಾಗಿ, ಆರೆಫಸ್ ಅಥವ ಬಾರ್ಕ್ ನಂತಹ ಒಂದು ಚಿತ್ರಾಂಶದ ನಮೂನೆಗೆ ಬದಲಾಯಿಸಲಾಗುತ್ತದೆ.

ಗ್ರಾಹಕೀಯ ಉದ್ಧರಣೆಗಳನ್ನು (ಮಾತು = ಉಚ್ಚಾರಣೆಯನ್ನು) ಅರ್ಥನಿರೂಪಿಸು:

-12 +12
0.5x 2.0x
ಪಿಪರ್‌, ವೈಟ್ಸ್‌, ಮೆಲೋಟ್ಸ್‌
ನೀವು ಉತ್ಪಾದಿಸಿದ ಆಡಿಯೊವು ಇಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಒಂದು ನಮೂನೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿ, ಪಠ್ಯವನ್ನು ನಮೂದಿಸಿ ಮತ್ತು ಉತ್ಪತ್ತಿಯನ್ನು ಒತ್ತಿ.
ಶ್ರವ್ಯಾಂಶ (ಆಡಿಯೋ) ದೃಡೀಕರಿಸಲಾದ ಧ್ವನಿ
0:00
ಆಡಿಯೊವನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡು . sstring ಡೌನ್‌ಲೋಡ್ ಕೊಂಡಿಯ ವಾಯಿದೆ 24h ನಲ್ಲಿ
ರಿಚರ್ಡ್‌ ಟೈರ್‌: ವೈಯಕ್ತಿಕ ಉಪಯೋಗ. 550/% ನಲ್ಲಿನ ವ್ಯಾಪಾರೀ ಲೈಸನ್ಸ್
ನಿಮ್ಮ ಸ್ನೇಹಿತರನ್ನು ಪ್ರೀತಿಸುತ್ತೀರಾ?

ಕುರಿತು 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.

ಇದಕ್ಕೆ ಉತ್ತಮ: High-fidelity audio, audiobooks, long-form content with voice consistency

ಎಲ್ಲವನ್ನೂ ವೀಕ್ಷಿಸು VoxCPM ಧ್ವನಿಗಳು

ಒಂದು ನೋಟದಲ್ಲಿ

ವಿಕಾಸಕ
OpenBMB
ಪರವಾನಗಿ
Apache 2.0
ಟೈಅರ್
standard
ವೇಗ
fast
ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ
ಹೌದು
ಭಾಷೆಗಳುName
English, Chinese
ಗರಿಷ್ಟ ಅಕ್ಷರಗಳು
2000

VoxCPM ಧ್ವನಿಗಳು

Default

English
ಶಿಷ್ಟ Neutral

Default Chinese

Chinese
ಶಿಷ್ಟ Neutral

VoxCPM ಟಿ.

Rather than discretizing speech into tokens, VoxCPM models audio in continuous space using flow matching. This helps it retain subtle acoustic detail and produce clean 44.1kHz output.

Yes. It is specifically designed to keep the voice consistent across paragraphs, which makes it well suited to audiobooks and other long passages where other models tend to drift.

Yes. It supports cross-lingual cloning between English and Chinese — for example applying an English reference voice to Chinese speech — from three to ten seconds of audio.
← ಎಲ್ಲಾ ಧ್ವನಿಗಳು