CosyVoice 2
Free.ai (self-hosted)
·
tts
·
~500 tokens por clip
·
4.3
desde 3 usuarios desta categoría
CosyVoice 2 é a voz de síntese de texto construído por Alibaba FunAudioLLM. "A mellor en Low-latency streaming TTS, cross-lingual voice cloning, real-time voice.". Auto-aloxado en Free.ai GPUs — executa libremente contra o seu conxunto de tokens diarios (500 tokens por clip). Publicado baixo a licenza Apache 2.0 — uso comercial permitido en Free.ai.
Empregar a través da API
curl -X POST https://api.free.ai/v1/tts/ \
-H "Authorization: Bearer sk-free-..." \
-H "Content-Type: application/json" \
-d '{"model":"cosyvoice2","text":"hello world"}'Preguntas frecuentes
CosyVoice 2 admite unha ampla variedade de linguas. A lista exacta depende do motor; o formulario desta páxina acepta calquera texto e o motor renderizará nas linguas admitidas. Consulte / voice / para o selector completo de múltiples motores se precisa unha lingua específica.
A maioría dos motores renderizan inglés americano neutro por omisión e un acento apropiado para a rexión para as linguas que non sexan inglesas. Os motores Premium poden expor variantes de acentos; apegue unha mostra para comparar.
O soporte de SSML varía segundo o motor. As etiquetas de pausa, prosodi e énfase son respectadas na maioría dos motores premium e en algúns auto- hospedados. O texto simple sempre funciona, non se requiren marcas.
A transmisión de TTS está dispoñíbel nos motores premium mediante o punto final da API / v1/ tts/ con stream=true. A interface web desta páxina devolve o clip completo unha vez rematada a representación.
CosyVoice 2 executase nas nosas propias GPU. A xeración obtén primeiro do teu banco de fichas libres diarias. Unha vez esgotadas, as fichas pagadas comezan en $5 → 200. 000 fichas. Aproximadamente ~5 fichas por personaxe, un mínimo de 100 por clip.
Ata 5. 000 caracteres por petición na interface web. Para pezas máis longas (audiolibros, capítulos completos), use / voice/ audiobook / que se fragmenta e se une automaticamente, ou chame á API en bucle.
Si — POST unha lista de cadeas a /v1/tts/batch/, ou empregar a interface de usuario do espazo de traballo en /workspace/ para encadear TTS nun conduto máis longo (por exemplo, translate → speak → stitch).
Si — Envia un texto a / v1/ tts / con model=" CosyVoice 2 "(ou o slug desta páxina). Devolve WAV ou MP3. Consulte / api / para obter a referencia completa e fragmentos do SDK.
Esta páxina é de síntese de texto en voz, non de clonación de voz; a voz é a predeterminada do motor. Para clonar voz (enviar un son de referencia), consulte / voice/ clone /, o que require que sexa o propietario dos dereitos da voz ou que teña o consentimento explícito por escrito.
Os motores auto- hospedados executanse en GPUs de Free.ai; nada sae dos nosos servidores. Os motores Premium pasan o texto aos provedores de modelos ascendentes baixo o noso DPA. Non adestramos coas súas entradas e non vendemos datos.
Si — Free.ai concede o uso comercial do son xerado. A licenza subxacente do motor (Apache 2. 0, MIT ou termos do vendedor) móstrase enriba e na páxina de referencia do modelo; na práctica isto significa que as voces, anuncios, podcasts e aplicacións están todos incluídos.
Si, os traballos que fallen serán reembolsados automaticamente á fonte (reserva diaria ou tokens pagados). Se non aparece un reembolso o mesmo día, envíe un correo electrónico a contact@ free. ai.