VoxCPM TTS
A tokenizer-free TTS model that works in continuous space, outputs 44.1kHz audio, and stays consistent across paragraphs.
නිවැරදි පාලනය සඳහා SSML ටැග් ඔබේ පෙළ ආවරණය:
<speak><prosody rate="slow">Slow speech</prosody></speak>
තෝරාගත් ආකෘතිය තේරුම් ටැග් - එය සිදුවන තැන ඔබේ පෙළ එක් වැටීමට ක්ලික් කරන්න:
මෙම ආකෘතිය සරල පෙළ කියවනවා, ඒ නිසා inline ටැග් නොසලකා හැර ඇත. ටැග් පදනම් හැඟීම් සඳහා, Orpheus හෝ Bark වැනි ප්රකාශාත්මක ආකෘතිය මාරු.
අභිරුචි උච්චාරණය අර්ථ දක්වන්න (වචනය = උච්චාරණය):
ගැන 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.
සඳහා හොඳම: High-fidelity audio, audiobooks, long-form content with voice consistency
සියල්ල ගවේශනය කරන්න VoxCPM හඬකෙටියෙන්
- සංවර්ධක
- OpenBMB
- බලපත්රය
- Apache 2.0
- සත්ත්වයා
- standard
- වේගය
- fast
- හඬ ක්ලෝන කිරීම
- ඔව්
- භාෂා
- English, Chinese
- උපරිම අකුරු
- 2000