ليکنه وينا ته استازي موسیقي غږيز ليکنه غږ نقلول غږ سازونه بازار نور
کړاو راپورول / د ځانتيا غوښتنه
VoxCPM

VoxCPM ټي ټي اېس

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

0/500 لوښه · د هر نسل لپاره د 5,000 لپاره نوم لیکنه وکړئ →
ننوتل د 5,000 لوښه حد

د دقیق کنټرول لپاره په SSML نښانونو خپل متن واچوئ:

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

توري د ټاکل شوي ماډل پوهیږي - کلیک وکړئ چې ستاسو په متن کې یو راښکته کړئ چیرې چې دا پیښیږي:

دا ماډل لوستل ساده متن، نو inline نښانونه په پام کې نه نيول کيږي. د نښان پر بنسټ احساس، د يو څرګند ماډل لکه Orpheus يا Bark بدل.

دوديزه لوستنه پېژندل (ويې = لوستنه):

-12 +12
0.5x 2.0x
د پيپر، VITS، MeloTTS سره وړيا
ستاسو توليد شوي غږيز به دلته ښکاره شي. يو ماډل وټاکئ، ليکنه وليکﺉ، او توليد کېکاږﺉ.
غږ په برياليتوب سره جوړ شو
0:00
غږيز رالېښنې .srt ډاونلوډ تړنه په 24h کې پای ته رسیږي
وړیا طبقه: شخصي کارولو. د $ 5 / mo څخه سوداګریز جواز
TTS.ai مینه؟ خپل ملګرو ته ووایاست!

په اړه 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.

غوره د: High-fidelity audio, audiobooks, long-form content with voice consistency

ټول لټول VoxCPM غږونه

په يوه کتنه کې

جوړوونکی
OpenBMB
منښتليک
Apache 2.0
:د پاڼې نوم
standard
چټکتيا
fast
غږ کلونول
هو
ژبې
English, Chinese
ټولوجګه لوښه
2000

VoxCPM غږونه

Default

English
تلواله Neutral

Default Chinese

Chinese
تلواله Neutral

VoxCPM د پوښتنو ځوابول

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.
← ټول غږونه