صدای دلنشین ۲

Premium

شبیه‌سازی صدای چندزبانه Zero-shot با پشتیبانی جریان

Fast سرعت
Very Good کیفیت
آره شبیه‌سازی
5 زبانها

در مورد صدای دلنشین ۲

[Translation temporarily unavailable. Please try again.]

ویژگیهای کلیدی

شبیه‌سازی صدای Zero-Shot

هر صدایی را از ۳ تا ۱۰ ثانیه صدای مرجع با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی با صدایی

چندزبانه

از چینی، انگلیسی، ژاپنی، کره‌ای و کانتونی با ترکیب زبانی پشتیبانی می‌کند.

پشتیبانی جریان

حالت جریان با تأخیر کم برای برنامه‌های زمان واقعی و سیستم‌های تعاملی.

نظم طبیعی

مدل‌سازی پیشرفتهٔ پروسودی، گفتار طبیعی با صدای مناسب را تولید می‌کند.

موارد استفاده

ایجاد محتوای چندزبانه دستیارهای صوتی زمان واقعی ترجمه فارسی برنامه‌های کاربردی صدای شخصیName

چطور استفاده شود صدای دلنشین ۲

  1. 1

    ثبت نام و درخواست اعتبار رایگان

    Create a free TextToSpeechAI account to claim your starter credits, or try the demo first. No GPU or local CosyVoice2 install is needed - everything runs on our infrastructure.

  2. 2

    انتخاب صدای دلنشین ۲ و اضافه کردن یک کلیپ مرجع

    CosyVoice2 را به عنوان موتور خود انتخاب کنید ، سپس یک ضبط مرجع ۳- ۱۰ ثانیه‌ای از صدایی که می‌خواهید شبیه‌سازی کنید را بارگذاری کنید. CosyVoice2 ویژگی‌های سخنران را برای شبیه‌سازی چندزبانه با شلیک صفر استخراج می‌کند.

  3. 3

    وارد کردن متن در هر زبان پشتیبانی‌شده

    تایپ یا چسباندن دست‌نوشتۀ خود به زبان چینی، انگلیسی، ژاپنی، کره‌ای یا کانتونی. CosyVoice2 از ترکیب زبانی پشتیبانی می‌کند ، بنابراین صدای شبیه‌سازی شده می‌تواند زبانی متفاوت از کلیپ مرجع را صحبت کند.

  4. 4

    تولید گفتار

    کلیک روی ایجاد و CosyVoice2 ترکیب طبیعی، چند زبانه سخنرانی در صدای شبیه سازی شده، معمولاً در عرض چند ثانیه برای متن کوتاه.

  5. 5

    دانلود یا استفاده از API

    این نرم‌افزار می‌تواند فایل‌های صوتی را به صورت MP3 یا WAV از تاریخچه خود دانلود کند یا به صورت خودکار از طریق API REST TextToSpeechAI، کپی صدای CosyVoice2 را در مقیاس بزرگ انجام دهد.

صدای دلنشین ۲ API

این برنامه با استفاده از TextToSpeechAI REST API تولید می‌شود.

curl -X POST "https://api.texttospeechai.com/v1/generate/" \
  -H "Authorization: Bearer YOUR_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "CosyVoice2 سخنرانی‌های طبیعی چندزبانه را با قابلیت شبیه‌سازی صدای صفر\u002Dشلیک ارائه می‌دهد.",
    "voice": "en_US-lessac-medium"
  }'

پرسشهای متداول

CosyVoice2 is a next-generation text-to-speech and voice cloning model from FunAudioLLM (Alibaba). It supports zero-shot voice cloning from just a few seconds of reference audio and can synthesize natural speech in Chinese, English, Japanese, Korean, and Cantonese. On TextToSpeechAI you can run CosyVoice2 in the browser without any local setup.

بله ، CosyVoice2 کاملاً مجوز Apache 2.0 را دارد — هم کد و هم وزن مدل. این باعث می‌شود که استفاده از آن در محصولات تجاری ، محتوای پرداخت شده و کار مشتری بدون هزینه مجوز یا محدودیت‌های غیر تجاری ایمن باشد.

CosyVoice2 از پنج زبان پشتیبانی می‌کند: چینی (ماندرین)، انگلیسی، ژاپنی، کره‌ای و کانتونی. همچنین ترکیب زبانی را نیز مدیریت می‌کند، بنابراین می‌توانید صدایی را از یک ضبط در یک زبان شبیه‌سازی کرده و گفتار را در زبان دیگر تولید کنید.

۳ تا ۱۰ ثانیه از صدای مرجع تمیز را از بلندگو هدف فراهم کنید. CosyVoice2 ویژگی‌های بلندگو را با استفاده از یک رویکرد کوانتیزه کردن مقیاسی محدود استخراج می‌کند ، سپس گفتار جدیدی را در آن صدای شبیه سازی شده در هر زبان پشتیبانی شده تولید می‌کند. هیچ آموزش مدل یا تنظیم دقیقی نیاز نیست.

CosyVoice2 یکی از قوی‌ترین مدل‌های شبیه‌سازی چندزبانه است که هویت سخنران را حتی هنگام تولید سخنرانی در زبانی متفاوت از کلیپ مرجع حفظ می‌کند. این نرم‌افزار صدای طبیعی و نغمه را تولید می‌کند که برای دوبلاژ بین زبانی و محتوای محلی مناسب است.

Yes. CosyVoice2 is a fast model and includes a streaming mode that produces audio with low latency, making it suitable for voice assistants and interactive applications. On TextToSpeechAI generations typically complete in seconds for short text.

CosyVoice2 requires about 4-6GB of VRAM for the 0.5B parameter model, so a GPU with 6GB or more is recommended when self-hosting. On TextToSpeechAI the model runs on our GPU infrastructure, so you do not need any hardware of your own.

CosyVoice2 یک مدل سطح بالا است و هزینه آن ۲۵ کرید برای هر ۱۰۰۰ کاراکتر متن است. هر حساب جدید کریدهای آغازین رایگان دریافت می‌کند، بنابراین می‌توانید قبل از تصمیم‌گیری برای یک برنامهٔ پرداختی، کلونینگ صدای CosyVoice2 را امتحان کنید.

هر دو موتور شبیه‌سازی صدای پر قیمت هستند. GPT- SoVITS اغلب به بالاترین شباهت خام برای یک صدای هدف تکی می‌رسد ، در حالی که CosyVoice2 برای شبیه‌سازی چندزبانه و چندزبانه قوی‌تر است و حالت جریان تأخیر کم را اضافه می‌کند. CosyVoice2 را هنگامی که به یک صدای شبیه‌سازی شده برای صحبت کردن به چندین زبان نیاز دارید ، انتخاب کنید.

هر دو آن‌ها شبیه‌سازی صدای با کیفیت بالا را ارائه می‌دهند. CosyVoice2 از زبان‌های بیشتری پشتیبانی می‌کند (۵ در مقابل ۲) و جریان را برای استفاده در زمان واقعی اضافه می‌کند، در حالی که F5-TTS می‌تواند برای بارهای کاری فقط انگلیسی کمی سریعتر باشد.

این نرم‌افزار می‌تواند فایل‌های صوتی را به فرمت‌های MP3 و WAV تبدیل کند و می‌تواند فایل‌های صوتی را به صورت مستقیم از صفحه تاریخچه دانلود کند یا به صورت برنامه‌نویسی از طریق API TextToSpeechAI بازیابی کند.

Yes. You can test CosyVoice2 with the free demo and your free starter credits on TextToSpeechAI without installing anything. Just sign up, upload a short reference clip, type your text in any supported language, and generate.

Technical Specs

  • Generation Speed Fast
  • Output Quality Very Good
  • Voice Cloning Supported
  • Languages 5
  • GPU VRAM 4-6GB
  • Credits/1000 chars 25

Try صدای دلنشین ۲ Now

Generate your first audio free. No credit card required.

Start Free