StyleTTS 2
Free.ai (self-hosted)
·
tts
·
~500 توکي clip
·
4.6
له 5 د دې ټولۍ کارن
StyleTTS 2 ده a ليکنه-څخه-وينا غږ جوړه له خوا Yinghao Aaron Li. په Voice cloning without training data; expressive multilingual speech. قوي. په Free.ai GPUs کې ځان کوربه - ستاسو د ورځني ټوکن پوټ (500 ټوکنونه په کلپ کې) په وړاندې وړیا چلیږي. د MIT لاندې خپور شو - د سوداګریزو کارولو په Free.ai اجازه ورکړل.
ورته بېلګه
ډېرې پوښتنې
StyleTTS 2 د ژبو د پراخه لړ ملاتړ کوي. د دقیق لیست د انجن پورې اړه لري؛ په دې مخ کې فورمه هر متن مني او انجن به په خپل ملاتړ ژبو کې راټول شي. وګورئ /voice / د بشپړ څو-انجن picker که تاسو د ځانګړې ژبې ته اړتيا لري.
ډیری انجنونه د غیر انګلیسي ژبو لپاره د غیر انګلیسي ژبې او سیمه ایز مناسب accents لخوا د غیر انګلیسي ژبې او سیمه ایز مناسب accents لخوا غیر انګلیسي انګلیسي کوي. د پریمیم انجنونه ممکن د accent variants ښکاره کړي - د پرتله کولو لپاره نمونې نښلول.
د SSML ملاتړ د انجن لخوا توپیر لري. د وقفې، پروډوډ، او ټیګ ټیګونه د ډیری پریمیم انجنونو او د څو ځان کوربه شويو باندې شرف لري. ساده متن تل کار کوي - هیڅ مارکپ اړتیا نلري.
د TTS خپرول د / v1 / tts / API پای ټکي له لارې د سټریم = ریښتیني سره د پریمیم انجنونو کې شتون لري. په دې پاڼه کې د ویب UI د بشپړ کلیپ بیرته راستون کوي کله چې د رڼا پای ته رسیږي.
StyleTTS 2 زموږ په خپلو GPUs کې چلیږي. نسل لومړی ستاسو د ورځني وړیا حوض څخه راځي. کله چې مینځ ته راشي، د تادیې توکي په $ 5 کې پیل کیږي → 200,000 توکي. په هر ډول ~ 5 توکي په هر شخصیت کې، لږترلږه 100 په هر کلیپ کې.
د ویب UI په هر غوښتنلیک کې د 5,000 کارتونو پورې. د اوږدو ټوټو لپاره (audiobooks، بشپړ فصلونه)، د /voice / audiobook / کارولو لپاره چې په اتوماتيک ډول ټوټې او ستنې کوي، یا په لوپ کې API ته زنګ ووهئ.
هو - د /v1/tts/batch / ته د تارونو لیست پوسټ کړئ ، یا د /workspace / کې د کاري ځای UI وکاروئ ترڅو TTS په اوږده پایپ لاین کې زنجیر کړي (د بیلګې په توګه ، ژباړه → خبرې کول → stitch).
هو - د / v1 / tts / سره د ماډل سره د متن پوسټ "StyleTTS 2" (یا په دې مخ کې د سلګ). د WAV یا MP3 بیرته. د بشپړ حوالې + SDK snippets لپاره / api / وګورئ.
.دا مخ د ليکنې نه د وينا لپاره دی، نه د غږ کلوننګ - غږ د انجن تلواله ده. د غږ کلوننګ لپاره (د مرجع غږ پورته کول)، وګورﺉ /voice/clone/، چې تاسو ته اړتيا لري چې يا د غږ حقونه ولرئ يا څرګند ليکل شوی موافقت ولرئ
د ځان کوربه انجنونه د Free.ai-شتون GPUs پرمخ وړي؛ هیڅ شی زموږ سرور ته نه ځي. د پریمیم انجنونه زموږ د DPA لاندې د پورته ماډل چمتو کونکو ته متنونه لیږدوي. موږ ستاسو د انټرنیټونو پراساس تمرین نه کوو او معلومات نه پلوري.
هو - Free.ai د تولید شوي غږ سوداګریز کارولو ته اجازه ورکوي. د انجن اساسي جواز (Apache 2.0، MIT، یا د پلورونکي شرایط) پورته او د ماډل حوالې پاڼه کې ښودل کیږي؛ په عمل کې دا معنی لري چې د ویوور، اعلاناتو، پوډکاسټونو او غوښتنلیکونو ټول په ساحه کې دي.
هو - ناکامه دندې د سرچینې (هره ورځ د اوبو یا تادیه شوي توکي) ته د اتومات بیرته راستنیدو. که چیرې بیرته راستنیدنه په ورته ورځ نه ښکاري، بریښنالیک contact@free.ai.