VoxCPM

VoxCPM ТТС

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

Бүртгүүлэх 5000 тэмдэгтээс хэтрэхгүй

Тодорхой хяналтын тулд SSML тэмдгээр текстээ буулгах:

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

Бүх

Энэ загвар нь энгийн утга уншдаг, тиймээс доторх тэмдгийг үл тоомсорлодог. Тэг- суурилсан сэтгэл хөдлөл, Orpheus эсвэл Bark- шиг илэрхийлэх загвар руу шилжинэ.

Өөрийн дуудлагыг тодорхойлох (үг = дуудлага):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS-тэй чөлөөт
Таны үүсгэсэн дууны файл энд гарч ирнэ. Модель сонгож, текстийг оруулж, Бүтээгдэх товчийг дарна уу.
Аудио амжилттай бүтээгдсэн
0:00
Дуу татаж авах .srt татаж авах Холбоо 24 цагийн дараа дуусна
Хязгааргүй: хувийн хэрэглээ. Бизнесийн лиценз $5/сараас
TTS.ai-г хайрладаг уу? Найзуудаа хэлж өгөөрэй!

Тодорхойлолт 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.

Хамгийн сайн: High-fidelity audio, audiobooks, long-form content with voice consistency

Бүхнийг харах VoxCPM дуунууд

Нүүр хуудас

Хөгжүүлэгч
OpenBMB
Лиценз
Apache 2.0
Үхрийн
standard
Хурд
fast
Дууны дугуй
Тийм
Хэл
English, Chinese
Хамгийн их үсэг
2000

VoxCPM дуунууд

Default

English
Стандарт Neutral

Default Chinese

Chinese
Стандарт Neutral

VoxCPM ТТС - Тодорхойгүй асуултууд

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.
← Бүх дуунууд