Zonos - Mô hình tổng hợp giọng nói open-weight chất lượng cao

• Mô hình Text-To-Speech open-weight được huấn luyện trên hơn 200.000 giờ dữ liệu giọng nói đa ngôn ngữ
• Chất lượng giọng nói "tương đương hoặc vượt trội" so với các dịch vụ TTS thương mại và "mang lại khả năng biểu đạt tự nhiên"
• Xuất giọng nói chất lượng cao với tốc độ lấy mẫu 44kHz
• Hỗ trợ voice cloning: có thể sao chép chính xác phong cách của một người nói cụ thể chỉ với vài giây giọng nói tham chiếu
• Nhiều tính năng điều chỉnh: có thể kiểm soát tốc độ nói, cao độ, chất lượng giọng nói và cảm xúc (vui, sợ hãi, buồn, tức giận, v.v.)

Tính năng chính

• Zero-shot TTS và voice cloning
  • Chỉ cần nhập văn bản và một mẫu người nói dài 10~30 giây là có thể tổng hợp giọng nói chất lượng cao ngay lập tức
• Hỗ trợ đầu vào audio prefix
  • Khi thêm audio prefix cùng với văn bản, có thể khớp người nói chính xác hơn
  • Hiệu quả trong việc tái hiện các kiểu giọng cụ thể như giọng thì thầm
• Hỗ trợ đa ngôn ngữ
  • Hỗ trợ tiếng Anh, tiếng Nhật, tiếng Trung, tiếng Pháp, tiếng Đức
• Điều khiển cảm xúc và chất lượng giọng nói
  • Điều chỉnh cảm xúc: có thể thể hiện vui, giận dữ, buồn, sợ hãi, v.v.
  • Điều chỉnh giọng nói chi tiết: có thể tinh chỉnh tốc độ, cao độ, tần số tối đa và chất lượng âm thanh
• Hiệu năng tốc độ cao
  • Có thể chạy ở tốc độ khoảng gấp 2 lần thời gian thực trên RTX 4090
• Hỗ trợ Gradio WebUI
  • Cung cấp giao diện web đơn giản để bất kỳ ai cũng có thể dễ dàng tạo giọng nói
• Cài đặt và triển khai đơn giản
  • Có thể dễ dàng cài đặt và triển khai bằng Docker

[mindok]

Tiếc là không có tiếng Hàn...

[marantz]

Tiếng Hàn cũng hoạt động khá tốt. Tuy hơi hơi gượng một chút.