VoxCPM

VoxCPM TTS

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

ලියාපදිංචි වන්න 5,000 අක්ෂර සීමා

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):

-12 +12
0.5x 2.0x
Piper, VITS, MeloTTS සමඟ නිදහස්
ඔබේ ජනනය ශ්රව්ය මෙහි පෙනෙනු ඇත. ආකෘතිය තෝරන්න, පෙළ ඇතුලත්, හා ජනනය ක්ලික් කරන්න.
ශ්‍රව්‍ය සාර්ථකව ජනනය වියName
0:00
ශ්‍රව්‍ය බාගත කිරීම බාගත.srt සබැඳිය 24h දී කල් ඉකුත් වේ
නිදහස් ස්ථරය: පෞද්ගලික භාවිතය. $5/mo සිට වාණිජ බලපත්රය
TTS.ai ආදරය? ඔබේ මිතුරන්ට කියන්න!

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 හඬ

කෙටියෙන්

සංවර්‍ධක
OpenBMB
බලපත්‍රය
Apache 2.0
සත්ත්වයා
standard
වේගය
fast
හඬ ක්ලෝන කිරීම
ඔව්
භාෂා
English, Chinese
උපරිම අකුරු
2000

VoxCPM හඬ

Default

English
සම්මත Neutral

Default Chinese

Chinese
සම්මත Neutral

VoxCPM TTS - නිතර අසන පැන

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.
← සියලු හඬ