StyleTTS 2
Free.ai (self-hosted)
·
tts
·
~500 tokens per clip
·
4.6
soti nan 5 Using users of this category
StyleTTS 2 se a Text-to-speech voice ki te bati pa Yinghao Aaron Li. Li se pi gwo nan Voice cloning without training data; expressive multilingual speech.. Self-hosted sou Free.ai GPUs — kouri gratis kont chak jou ou a token pool (500 tokens pou chak klip). Li libere anba MIT - itilize komèsyal ki pèmèt sou Free.ai.
Modèles similaires
Kesyon ki poze souvan
StyleTTS 2 sipòte yon gwo kantite lang. Lis egzak la depann de motè a; fòma sou paj sa a aksepte nenpòt tèks e motè a pral renderize nan lang li sipòte yo. Gade /voice/ pou chwazi motè multi-a si ou bezwen yon lang espesifik.
Pifò motè yo retounen angle ameriken-neutral pa default ak yon aksan ki apwopriye pou rejyon an pou lang ki pa angle. Motè Premium ka ekspoze varyasyon aksan - kole yon egzanp pou konpare.
Sipò SSML varye selon motè a. Tag pauze, prosodi, ak enfliyanse yo onore sou pifò motè premium ak sou kèk motè ki òganize pa moun. Tèks senp toujou travay - pa gen okenn markup ki nesesè.
Streaming TTS disponib sou motè premium via /v1/tts/ API endpoint ak stream=true. Web UI sou paj sa a retounen clip la konplè lè rendering fini.
StyleTTS 2 kouri sou GPUs nou menm. Jeni tire soti nan basen gratis jou ou an premye. Yon fwa depase, tokens peye kòmanse nan $ 5 → 200,000 tokens. Aprè ~ 5 tokens pou chak karaktè, minimòm 100 pou chak clip.
Up to 5,000 characters per request on the web UI. For longer pieces (audiobooks, full chapters), use /voice/audiobook/ which chunks and stitches automatically, or call the API in a loop.
Wi - POST yon lis strings nan /v1/tts/batch/, oswa itilize espas travay la UI nan /workspace/ pou chaje TTS nan yon pi long pipeline (egzanp, tradui → pale → stitch).
Wi - POST tèks nan /v1/tts/ ak model="StyleTTS 2" (oswa slug sou paj sa a). Retounen WAV oswa MP3. Gade /api/ pou referans konplè + SDK snippets.
Paj sa a se yon tèks-a-parole, pa yon klonaj vwa - vwa a se motè a pa default. Pou klonaj vwa (uploading yon referans son), gade /voice/clone/, ki mande ou pou ou posede dwa vwa a oswa gen yon konsantman ekri esplike.
Motè ki fè tèt yo kouri sou Free.ai-posede GPUs; pa gen anyen kite serveurs nou yo. Premium motè pase tèks pou upstream modèl founisè anba DPA nou an. Nou pa antrene sou enpòte ou yo ak pa vann done.
Wi - Free.ai bay dwa pou itilize komèsyal son ki fèt la. Lisans ki anba motè a (Apache 2.0, MIT, oswa tèm vandè) montre anwo a epi sou paj referans modèl la; nan pratik sa vle di ke tout vwa, anons, podcasts, ak aplikasyon yo tout nan zòn nan.
Si yon ranbousman pa parèt nan menm jou a, voye yon imèl nan contact@free.ai, epi nou pral fè tout sa nou kapab pou nou retounen lajan an nan kont ou.