ስለ ቅርጽ
s. It is a
የቁልፍ ባህሪያት
የሰው ደረጃ ጥራት
በጥቁር ሙከራዎች ውስጥ ከሰው መዝገቦች የማይለይ ንግግርን ያወጣል
የቅርጽ ዓይነት
የድምፅ ምሳሌ
የቋንቋ ችሎታ
ሙሉ ሪትም፣ ስቴሬስ፣ እና ተንኮል በዲፍፋይሽን-ተኮር ሞዴሊንግ
የድምፅ ቅጂ
ድምጾችን በልዩ ትክክለኛነትና ተፈጥሮአዊነት ክሎን አድርግ
የፍጥነት ማጣቀሻ
ጥራት ሲጠብቁ ከራስ-መለስተኛ ሞዴሎች የበለጠ ፈጣን ነው.
የክፍል ፋይል
MIT ፈቃድ በሙሉ የኮሜርሺያል ጥቅም መብቶች
ጥቅም
የድምፅ መጽሐፍት
የሙያ ድምፅ
የፊልምና የቴሌቪዥን ምርት
የከፍተኛ ደረጃ ማስታወቂያ
የፖድካስት ምርት
የድምፅ አሰራጭ
ቅርጽ Voices
View All 6StyleTTS2 Default
ENStyleTTS2 Expressive
ENStyleTTS2 Fast
ENStyleTTS2 Natural
ENStyleTTS2 Neutral
ENStyleTTS2 Quality
ENእንዴት እንደሚጠቀሙ ቅርጽ
-
1
ነጻ ይመዝገቡ ወይም ዲሞን ይጫኑ
ነጻ TextToSpeechAI ሒሳብን ለመፍጠር መጀመርያ ክሬዲቶችን ማግኘት ይችላሉ፣ ወይም የቤት ገጽ ዲሞን ሳይገቡ StyleTTS2ን ለመስማት ይጠቀሙ።
-
2
የStyleTTS2 ማሽንን ይምረጡ
ከድምፅ መጽሐፍት መዝገብ ቤት StyleTTS2 ድምፅን ይምረጡ. ድምፅን ለመክተት 10-30 ሰከንዶች የሆኑ መዝገብ ቤቶችን አስቀምጡ እና StyleTTS2 ድምጹን ይቀይራል.
-
3
ጽሑፉን አስገባ
ፈልገህ የምትናገረውን ስክሪፕት አስቀምጥ ወይም ጻፍ። StyleTTS2 በአንግሊዝኛ ችሎታ አለው እናም በረጅም ክፍሎች ውስጥ ተፈጥሯዊ የሆነ የድምፅ ቅርፅ፣ ጫና እና ድምፅን ይሰጣል
-
4
ድምፅን አስጀምር
TextToSpeechAI እርስዎን StyleTTS2 ድምፅ በ GPU ላይ ያቀርባል. Ultra-tier StyleTTS2 ለ 1000 አርእስቶች 50 ክሬዲት ያስከፍላል.
-
5
መተግበሪያውን ይጫኑ
የጨረሰውን StyleTTS2 ድምፅ እንደ MP3, WAV, ወይም OGG ያውርዱ፣ ወይም TextToSpeechAI API ን በ StyleTTS2 ድምፅዎ በራሱ እንዲፈጠር ያዝዙ።
ቅርጽ መተግበሪያዎች
የTextToSpeechAI REST APIን በመጠቀም ፕሮግራማዊ ንግግርን ይፈጥሩ
curl -X POST "https://api.texttospeechai.com/v1/generate/" \
-H "Authorization: Bearer YOUR_API_TOKEN" \
-H "Content-Type: application/json" \
-d '{
"text": "StyleTTS 2 ንግግርን በጣም ተፈጥሯዊ በሆነ መንገድ ያቀርባል፣ የሙያ ሰው መዝገቦችን ይወዳደራል",
"voice": "styletts2-default"
}'ብዙ ጊዜ የሚጠየቁ ጥያቄዎች
StyleTTS2 የሰው ደረጃ የንግግር ማቀነባበሪያን የሚያገኝ የቅርብ ጊዜ የጽሑፍ-ወደ-ንግግር ሞዴል ነው. በዓይን አያይዘው የመስማት ሙከራዎች ውስጥ ከሰው መዝገቦች ጋር የማይመሳሰል ንግግርን ለማምረት የሥነ-ጥበብ ማሰራጨትን እና ተቃራኒውን ስልጠና ይጠቀማል. StyleTTS2ን በ TextToSpeechAI ላይ ነፃ አድርገው መጠቀም ይችላሉ።
StyleTTS2 በTextToSpeechAI ላይ ያለውን ከፍተኛ ጥራት ያለውን TTS ድምፅ ያወጣል. በፎርማላዊ ምርመራዎች በMOS (የአጠቃላይ አስተያየት ውጤት) ምርመራዎች ላይ የሰው ደረጃ ደረጃዎችን ደርሷል ፣ ብዙውን ጊዜ ከሰው ተናጋሪ ጋር ሊያጋሩት የማይችሉ ተከታዮች አሉት ፡፡ ለዚያም ምክንያት ከ Tortoise ጋር በኦልትራ ደረጃችን ውስጥ ይገኛል ፡፡
አዎ, StyleTTS2 የድምፅ ክሎኒንግ በሥነ-ጥበብ ማስተላለፍ ይደግፋል. ይህ የድምፅ ድምፅ ብቻ ሳይሆን የንግግር ቅርጾችን፣ ሪትም እና የስነ-ልቦና ባህሪያትን ከማሳያ ክሊፕ ያወጣል. ለጥሩ StyleTTS2 ክሎኒንግ 10-30 ሰከንዶች የግልጽ ድምፅን ይሰጣል.
አዎ. StyleTTS2 በ MIT ፈቃድ ስር ነው የተሰጠው፣ ይህም ያለ ሮያልቲዎች የሙሉ የቢዝነስ ጥቅም ይሰጣል፡፡ ይህም ለኦዲዮ መጽሐፍት፣ ለግብይት፣ ለፊልም፣ እና ሌሎች የስራ ፍላጎት ያላቸውን የ StyleTTS2 ፕሮጀክቶች ደህንነቱ የተጠበቀ ያደርገዋል፡፡
StyleTTS2 በመጀመሪያ አማርኛን ይደግፋል፣ ምክንያቱም ሞዴሉ በአማርኛ መዝገብ ቤቶች ላይ ተምሯል። በብዙ ቋንቋዎች ላይ ተመሳሳይ ጥራት ያስፈልግዎት ከሆነ፣ F5-TTS በ TextToSpeechAI ላይ ድምፅን በመክተት ላይ ቀጥሎ የሚደግፍበት ጊዜ የበለጠ ተስማሚ ነው።
StyleTTS2 መካከለኛ የፍጥነት ፍጥነት አለው. እንደ Tortoise ያሉ የራስ-መለወጫ ሞዴሎችን ይልቅ በጣም ፈጣን ነው ግን እንደ Piper ያሉ ቀላል ሞዴሎችን ይልቅ ዝቅተኛ ነው. በፕሪሚየም ጥራት እና በሂሳብ ወጪ ምክንያት StyleTTS2 እንደ እውነተኛ ጊዜ ሞዴል ይልቅ በአልትራ ደረጃችን ውስጥ ዋጋ አለው.
StyleTTS2 ለግምገማ ከVRAM 4-6GB ያስፈልጋል። ከBark ወይም Tortoise የበለጠ የሜሞሪ ውጤታማ ሲሆን ከፍተኛ ጥራት ያለው ውጤት ያወጣል። በTextToSpeechAI ላይ ሁሉም የStyleTTS2 ሂደት በGPUs ላይ ይሠራል፣ ስለዚህ የራስዎን ሃርድዌር አያስፈልግዎትም።
StyleTTS2 የኦልትራ-ደረጃ ሞዴል ነው እና TextToSpeechAI ላይ ለ 1000 አሃዞች 50 ክሬዲቶች ይከፍላል. ይህ የፕሪሚየም ዋጋው የሰው ደረጃ ጥራቱን እና የ GPU መሳሪያዎችን ያመለክታል. እንደ Piper ያሉ ስታንዳርድ ሞዴሎች ለ 1000 አሃዞች 10 ክሬዲቶች ይከፍላሉ.
StyleTTS2 ን ይምረጡ መጀመሪያ የንግግር ጥራት መሆን ሲገባው እና በጣም ተፈጥሯዊ የሆነ ውጤት ማግኘት ሲፈልጉ። F5-TTS ን ይምረጡ የድምፅ ክሎኒንግ ጋር ፈጣን የብዙ ቋንቋዎች ማቀነባበሪያ ያስፈልግዎት ከሆነ። ሁለቱም ክሎኒንግን ይደግፋሉ፣ ግን StyleTTS2 በጣም ከፍተኛ ደረጃ (50 ክሬዲቶች) ሲሆን F5-TTS ደግሞ ከፍተኛ ደረጃ (25 ክሬዲቶች) ነው።
StyleTTS2 በ24 ኪ.ሃዝ ከፍተኛ ጥራት ያለው ድምፅ ያወጣል. በ TextToSpeechAI ውጤቱን እንደ MP3, WAV ወይም OGG ያውርዱ ይችላሉ፣ እናም ከፍተኛ ጥራት ያለውን ኮድ በመጠቀም የ StyleTTS2 ጥራት በመጨረሻው ፋይል ውስጥ ይቀመጣል ፡፡
አዎ. StyleTTS2 የንግግር-ፍጥነት ማስተካከያዎችን ይደግፋል፣ እናም የstyle-transfer ዲዛይን የተለያዩ ሪፌሬንሲ ክሊፖችን በመምረጥ prosodyን እንዲፈጥሩ ያስችልዎታል። የድምፅ ፋይልን ከፈለጉት ሪትም እና ስሜት ጋር መምረጥ StyleTTS2 መላኪያ ላይ ጥሩ ቁጥጥር ይሰጥዎታል።
ከመዝገብ ቤታችን StyleTTS2 ድምፅን ይምረጡ ወይም የተጠረጠረ ድምፅን ለመፍጠር መዝገብ ቤታችንን ይጫኑ፣ ከዚያም ድምጹን በAPI ጥያቄዎ ውስጥ ያመለክቱ። TextToSpeechAI ሁሉንም የጂፒዩ ሂደት ይቆጣጠራል እና የእርስዎን የፕሪሚየም StyleTTS2 ድምፅን በመጫን URL ይመለሳል።
Technical Specs
- Generation Speed Moderate
- Output Quality Excellent
- Voice Cloning Supported
- Languages 1
- GPU VRAM 4-6GB
- Credits/1000 chars 50