Medium
ፍጥነት
Excellent
ጥራት
አዎ
መተላለፊያ
5
ቋንቋዎች
ስለ GPT-ሶቪትስ
GPT-SoVITS combines GPT-style language modeling with SoVITS voice conversion to achieve state-of-the-art few-shot voice cloning. With just 3-10 seconds of reference audio plus a transcript, it produces remarkably natural speech that closely matches the target voice. It excels at cross-lingual synthesis - train on one language and generate in another.
የቁልፍ ባህሪያት
የድምፅ መተካት
ከ3-10 ሰከንዶች የድምፅ መዝገብ ቤት ለጥሩ ጥራት መዝገብ ቤት ጋር ማንኛውንም ድምፅ ክሎን
የቋንቋ ቅንጅት
በአንድ ቋንቋ ላይ ትምህርቶችን በመስጠት በቻይንኛ፣ አማርኛ፣ ጃፓንኛ፣ ኮሪያኛ ወይም ካቶንጎኛ ንግግርን ያመነጫሉ
ከፍተኛ ጥራት
GPT-Sovits በየጊዜው ከሚገኙት ከፍተኛ ጥራት ያላቸው የድምፅ ክሎኒንግ ሞዴሎች መካከል ይቀመጣል.
የክፍል ፋይል
በሙሉ MIT ፈቃድ ጋር ተንቀሳቃሽ ማህበረሰብ ልማት እና ሰፊ ማስረጃዎች.
ጥቅም
የድምፅ መተካት
ቋንቋ
የድምፅ መጽሐፍ ማምረት
የፊደል ቅርጽ
ብዙ ጊዜ የሚጠየቁ ጥያቄዎች
GPT-SoVITS የ GPT-style ቋንቋ ሞዴል ከ SoVITS የድምፅ መለወጫ ጋር የሚያገናኝ የ state-of-the-art የድምፅ ክሎኒንግ ስርዓት ነው. ከ3-10 ሰከንዶች ብቻ የመዝገብ ድምፅ ልዩ የሆነ የድምፅ ክሎኖችን ያመርታል.
አዎ፣ GPT-Sovits በሙሉ MIT ፈቃድ ነው - ኮድ እና ሞዴል ክብደቶች. በነፃ በኮሜርሺያል ፕሮግራሞች ውስጥ ያለማቋረጥ ሊጠቀም ይችላል።
GPT-Sovits ቻይንኛ, እንግሊዝኛ, ጃፓንኛ, ኮሪያኛ, እና ካቶንጎን ይደግፋል. ይህም cross-language የድምፅ ክሎኒንግ ይደግፋል - በአንድ ቋንቋ መነሻን ይሰጣል እና በሌላ ቋንቋ ንግግርን ይፈጥራል.
GPT-Sovits በቀጥታ ከከፍተኛ ጥራት የድምፅ ክሎኒንግ ሞዴሎች መካከል ይቆጠራል። ከብዙ ምርጫዎች የበለጠ ተፈጥሯዊ prosody ያመርታል፣ በተለይም ከማሳያ ድምፅ ትራንስክሪፕት ጋር ሲሰጥ።
ለተሻለ ውጤት, የድምፅ ክሊፕ እና የጽሑፍ ትረካውን ያቅርቡ. ትረካው ሞዴሉን የድምፅ ባህሪያትን ለማወቅ ይረዳል. ትረካ ካላለ ሞዴሉ አሁንም ይሠራል ነገር ግን ጥራቱ ትንሽ ዝቅተኛ ሊሆን ይችላል።
GPT-SoVITS በኢንፖት ርዝመት ላይ በመመርኮዝ 4-8GB የቪሬም ያስፈልጋል. ለተሻለ ውጤት 6GB ወይም ከዚያ በላይ ያለው የጂፒዩ ያስፈልጋል
Technical Specs
- Generation Speed Medium
- Output Quality Excellent
- Voice Cloning Supported
- Languages 5
- GPU VRAM 4-8GB
- Credits/1000 chars 25