Ferramenta de criação de vozes em turco baseada no VoxCPM2, que roda em uma GPU NVIDIA de 4 GB, com interface web local e vozes sintéticas incluídas.
Este projeto gera fala em turco e em outros sete idiomas com o VoxCPM2. Você descreve uma voz em inglês, o modelo cria várias versões e você escolhe uma para ler qualquer texto em turco. As vozes criadas podem ser reutilizadas com uma gravação de referência e uma seed fixa, mantendo a consistência de uma frase para outra.
O mecanismo é uma versão modificada do audio.cpp que faz o modelo caber em cerca de 2,8 GB de VRAM, permitindo rodá-lo em placas como a GTX 1050 Ti. O repositório inclui um instalador para Windows executado com um único comando, uma opção para macOS com Apple Silicon e Metal, uma opção com Docker para Linux, uma interface web local simples e quatorze vozes prontas, incluindo vozes em turco e narradores nativos em inglês, francês, alemão, espanhol, russo, chinês e japonês.
Há uma aba de clonagem de voz para usar sua própria voz ou a voz de alguém que tenha dado permissão explícita. A interface exige essa confirmação antes de iniciar o processo.
Baixe e extraia o ZIP do código na página do GitHub
Execute o instalador no PowerShell a partir da pasta extraída (a instalação será feita em C:\vox)
powershell -NoProfile -ExecutionPolicy Bypass -File scripts\kur.ps1 -Kok C:\voxClique duas vezes em baslat.bat para iniciar a interface web local em http://127.0.0.1:8765/
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Kit de ferramentas de fala em C++ baseado em ggml para síntese de voz, reconhecimento de fala e detecção de atividade vocal, com suporte a Metal, Vulkan e CPU, além de um servidor compatível com OpenAI.
Família open source de modelos de voz com IA da Microsoft, com reconhecimento de fala de longa duração (ASR), text-to-speech com vários falantes (TTS) e modelos de TTS em streaming em tempo real.
Sistema open source de text-to-speech com clonagem de voz, controle de emoção em linguagem natural e geração com vários falantes, baseado em modelos no estilo LLM.
Sistema de síntese de fala zero-shot que clona uma voz a partir de um único áudio de referência, com controle de emoção, velocidade e pronúncia.
Biblioteca Python de inferência para o Kokoro-82M, um modelo de conversão de texto em fala com pesos abertos e 82 milhões de parâmetros.
Projeto de síntese de fala baseado em VITS2 que adiciona BERT multilíngue para melhorar a prosódia e a pronúncia da fala sintetizada.