VoxCPM

VoxCPM ടിടിഎസ്

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

ഒപ്പ് വയ്ക്ക്. 5,000 ക്യാരക്ടര്‍ പരിധിയ്ക്കു്

കൃത്യമായ നിയന്ത്രണത്തിനായി SSML തൊങ്ങലില്‍ വാചകം പൊതിയുക:

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

തെരഞ്ഞെടുത്ത മാതൃക മനസ്സിലാക്കുന്നത് ടാഗ് (കുടികള്‍) :

ഈ മോഡ് സാധാരണ പദാവലി വായിക്കുന്നു, അതുകൊണ്ട് ഇന്‍ലൈന്‍ തൊങ്ങല്‍ അവഗണിപ്പിക്കുന്നു. ടാഗ് അടിസ്ഥാനപരമായ വികാരങ്ങള്‍ക്കു് ഓര്‍ഫിയസ് അല്ലെങ്കില്‍ ബാര്‍ക് പോലുള്ള ഒരു ചിത്രീകരണ മോഡില്‍ മാറുക.

ഇഷ്ടപ്പെട്ട ഉച്ചാരണം നിര്‍വ്വചിക്കുക (വാക്ക് = ഉച്ചാരണം):

-12 +12
0.5x 2.0x
പൈപ്പര്‍, വി.ടി.സ്, മെലോട്ടിക്സ്
നിങ്ങള്‍ ഉണ്ടാക്കിയ ഓഡിയോ ഇവിടെ പ്രത്യക്ഷപ്പെടും. ഒരു മാതൃക തെരഞ്ഞെടുക്കുക, പദാവലി നല്‍കുക, നിര്‍മ്മിക്കുക എന്നിവ നിര്‍മ്മിക്കുക.
വിജയകരമായി ഉണ്ടാക്കിയ ശബ്ദങ്ങള്‍
0:00
ഓഡിയോ ഡൌണ്‍ലോഡ് ചെയ്യുക ഡൌണ്‍ലോട് ചെയ്യുക ലിങ്ക് 24hല്‍ അവസാനിച്ചിരിക്കുന്നു
സ്വതന്ത്രമായ അക്ഷരങ്ങളുടെ താഴേയ്ക്ക് പ്രവര്‍ത്തിപ്പിയ്ക്കുന്നു ഓരോ മാസവും 200K അക്ഷരങ്ങള്‍ ലഭ്യമാക്കുക — 550/mo അല്ലെങ്കില്‍ ഒരു സമയം 100K പാക്ക് 5000- നു്
ഇത് നിന്റെ ശബ്ദം തന്നെ ആക്കൂ. ശബ്ദം 30 സെക്കന്‍റില്‍ ക്ലിയര്‍ ചെയ്യുന്നു
ടിടിഎസ് സ്‌നേഹിക്കുന്നു, കൂട്ടുകാരോട് പറയൂ!

സംബന്ധിച്ച് 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.

അതിനു വേണ്ടിയുള്ള ഏറ്റവും നല്ല സ്ഥലം.: High-fidelity audio, audiobooks, long-form content with voice consistency

എല്ലാം പരതുക VoxCPM ശബ്ദങ്ങള്‍

ഒരു നോക്കുമ്പോള്‍

രചയിതാവു്
OpenBMB
അനുമതി
Apache 2.0
ടിയെര്‍
standard
വേഗത
fast
ശബ്ദമിശ്രണോപാധി
അതെ
ഭാഷകള്‍
English, Chinese
ഏറ്റവും കൂടിയ ക്യാരക്ടറുകള്‍
2000

VoxCPM ശബ്ദങ്ങള്‍

Default

English
സ്റ്റാന്‍ഡേര്‍ഡ് Neutral

Default Chinese

Chinese
സ്റ്റാന്‍ഡേര്‍ഡ് Neutral

VoxCPM ടിടിഎസ്‌ —⁠ എഫ്‌എക്‌സി

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.
← എല്ലാ ശബ്ദങ്ങളും