మాట్లాడటానికి వచనం AI ఏజెంట్స్‌ సంగీతం (w) వచనముకు మాట్లాడు శబ్డం క్లుంకింగ్ స్వర రూపంName అమ్మకం ఎక్కువ
తప్పు / సారూప్య అభ్యర్ధనను తెలుపుము
VoxCPM

VoxCPM టి టిఐఎస్

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

0/500 అక్షరములు · ప్రతీ తరం 5,000 కోసం సంతకం చేయండి →
అప్ సంతకం 5,000 అక్షర పరిమితి కొరకు

ఖచ్చితమైన నియంత్రణ కొరకు మీ వచనాన్ని SSML టాగ్సును పునరాచరణ చేయుము:

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

ఎంపిక చేసిన మోడల్ అర్థం చేసుకుంటుంది. అది జరిగిన మీ వచనంలో ఒకదాని వేయి పెట్టండి:

ఈ నమూనా సాదా వచనము చదువుతుంది, అందువలన అంతర్-లైన్ టాగ్సు విస్మరించబడుతుంది. టాగ్ ఆధార భావన కొరకు, ఆర్‌ఫెయిస్ లేదా బార్క్ వంటి ఎడిస్‌బార్ నమూనాకు మారుతుంది.

నిర్దేశిత ఉచ్ఛారణలను (పదం = ఉచ్ఛారణ):

-12 +12
మీ స్నేహితులను ప్రేమించడమా?

గురించి 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.

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

(l) అన్ని బ్రౌజర్లను అన్వెషించు VoxCPM స్వరాలు

ఒక దృష్టిలో

డెవలపర్
OpenBMB
లైసెన్సు
Apache 2.0
టిజర్
standard
వేగము
fast
స్వరం
అవును
భాషలుName
English, Chinese
గరిష్ట ఆక్షరములు
2000

VoxCPM స్వరాలు

Default

English
ప్రామాణిక Neutral

Default Chinese

Chinese
ప్రామాణిక Neutral

VoxCPM టికెట్లు —⁠ FAQ

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.
← అన్ని స్వరాలు