Tłumaczenie automatyczne · Oryginał angielski

Wskaźniki klonowania głosu

July 2, 2026

Modele klonowania głosu, mierzone w pięciu językach.

Sklonowaliśmy dziesięć zwrotów referencyjnych FLEURS na język, wygenerowaliśmy dziesięć zdań docelowych FLEURS, następnie uśredniliśmy podobieństwo głośników, WER / CER i przewidywano jakość UTMOS oraz stałą prędkość państwa. Gracze poniżej pokazują jeden reprezentatywny punkt odniesienia i generowane wyjście z tego samego przebiegu.

English Filipino (Tagalog)Italiano Bahasa IndonesiaPolskiNederlands Svenska עברית Norsk bokmål Dansk Română Čeština Suomi Español Deutsch Français Português Русский 中文日本語 한국어 हिन्दी العربية Tiếng Việt Türkçe ไทย

Angielski

FLEURS test/en_us, 10 par odniesienia / docelowych

Ludzka podłoga ASR: 3.5% WER na oryginalnym docelowym audio FLEURS.

Wzór	Precyzja	Kosina	WER	UTMOS	Audio μ	RTF med.	Szczyt RSS
OmniVoice	int8	0.513	11.1%	2.32	5.20 s	0.17	—
VoxCPM2	bf16	0.547	1.8%	2.97	4.88 s	1.11	1.5 GB
Chatterbox Multilingual	fp16	0.642	1.2%	2.22	5.10 s	0.76	—
Fish Audio S2 Pro	fp16	0.489	3.9%	3.47	4.60 s	2.78	—
Qwen3-TTS Base	1.7B bf16 ICL	0.491	2.4%	3.50	4.95 s	1.70	1.8 GB
F5-TTS	fp16	0.698	5.6%	1.82	9.09 s	0.57	0.7 GB
Higgs TTS 3	bf16	0.472	4.0%	2.88	7.60 s	0.78	8.0 GB
IndexTTS2	fp16	0.738	5.1%	2.98	7.34 s	1.0	2.9 GB

Niemiecki

FLEURS test/de_de, 10 par odniesienia / docelowych

Ludzka podłoga ASR: 11.4% WER na oryginalnym docelowym audio FLEURS.

Wzór	Precyzja	Kosina	WER	UTMOS	Audio μ	RTF med.	Szczyt RSS
OmniVoice	int8	0.787	4.3%	2.89	6.57 s	0.22	—
VoxCPM2	bf16	0.732	3.8%	2.80	5.76 s	1.09	1.5 GB
Chatterbox Multilingual	fp16	0.778	5.2%	3.32	6.12 s	1.20	—
Fish Audio S2 Pro	fp16	0.718	7.0%	3.34	5.66 s	2.80	—
Qwen3-TTS Base	1.7B bf16 ICL	0.721	10.8%	3.34	5.79 s	1.72	1.8 GB
Higgs TTS 3	bf16	0.678	5.7%	2.95	11.82 s	0.78	8.0 GB

Nowoczesny standardowy arabski

FLEURS test/ar_eg, 10 par odniesienia / docelowych

Ludzka podłoga ASR: 32.8% WER na oryginalnym docelowym audio FLEURS.

Wzór	Precyzja	Kosina	WER	UTMOS	Audio μ	RTF med.	Szczyt RSS
OmniVoice	int8	0.727	33.2%	2.72	7.04 s	0.18	—
VoxCPM2	bf16	0.678	30.2%	2.67	6.26 s	1.14	1.5 GB
Chatterbox Multilingual	fp16	0.703	28.3%	2.90	6.37 s	1.10	—
Fish Audio S2 Pro	fp16	0.688	26.7%	3.30	5.63 s	2.83	—
Higgs TTS 3	bf16	0.700	20.2%	2.75	12.33 s	0.78	8.0 GB

Hiszpański

FLEURS test/es_419, 10 par odniesienia / docelowych

Ludzka podłoga ASR: 10.6% WER na oryginalnym docelowym audio FLEURS.

Wzór	Precyzja	Kosina	WER	UTMOS	Audio μ	RTF med.	Szczyt RSS
OmniVoice	int8	0.758	9.9%	2.86	6.29 s	0.21	—
VoxCPM2	bf16	0.641	5.8%	2.62	4.58 s	1.18	1.5 GB
Chatterbox Multilingual	fp16	0.708	6.9%	3.37	5.08 s	1.22	—
Fish Audio S2 Pro	fp16	0.633	6.8%	2.95	4.48 s	2.73	—
Qwen3-TTS Base	1.7B bf16 ICL	0.710	11.1%	3.03	4.79 s	1.76	1.8 GB
Higgs TTS 3	bf16	0.623	1.0%	2.84	5.08 s	0.78	8.0 GB

Chiński

FLEURS test/cmn_hans_cn, 10 par odniesienia / docelowych

Ludzka podłoga ASR: 7.6% CER na oryginalnym docelowym audio FLEURS.

Wzór	Precyzja	Kosina	CER	UTMOS	Audio μ	RTF med.	Szczyt RSS
OmniVoice	int8	0.709	4.9%	2.83	6.56 s	0.21	—
VoxCPM2	bf16	0.695	4.9%	2.91	5.70 s	1.10	1.5 GB
Fish Audio S2 Pro	fp16	0.634	6.2%	3.55	4.95 s	2.76	—
Qwen3-TTS Base	1.7B bf16 ICL	0.701	5.7%	3.44	5.24 s	1.73	1.8 GB
F5-TTS	fp16	0.780	13.9%	1.66	6.91 s	0.57	0.7 GB
Higgs TTS 3	bf16	0.574	4.3%	3.13	5.01 s	0.78	8.0 GB

Wartości to: ponad dziesięć wygenerowanych klipów na język obsługiwany, z wyjątkiem RTF, który wykorzystuje medianę, aby uniknąć zimnostartowych wyrzutni czasu. Wyższy głośnik cosine oznacza generowany klip jest bliżej FLEURS Głośnik odniesienia osadzony. Niższy WER/CER oznacza, że żądany tekst został odnaleziony w sposób bardziej przejrzysty; Chiński jest punktacja CER, pozostałe języki z WERWyżej. UTMOS jest wynikiem braku wartości referencyjnej przewidywanej naturalności na 1-5 skala. Niższa RTF jest szybszy. Deska rozdzielcza oznacza, że bieg partii nie dał wiarygodnego czasu dla tego wiersza. Są to wskaźniki regresji inżynieryjnej, a nie ludzki panel MOS. Qwen3-ASR zdobywca nie jest tak samo czysty na każdym języku: na oryginalnym człowieku FLEURS docelowy klipy w tym zestawie, jego błąd wyjściowy jest 3.5% Angielski WER, 11.4% Niemiecki WER, 32.8% Arabski WER, 10.6% Hiszpański WERoraz 7.6% Chiński CERCzytaj. WER/CER jako podręczny sygnał stresowy, nie jako czysty sygnał TTS punktacja jakości. Precyzja jest wymieniona w wierszu: VoxCPM2Publiczna pełna precyzja Swift ścieżka jest bf16, podczas gdy OmniVoice jest pokazany wraz z opublikowanym int8 pęczka, ponieważ fp16 Dla tego opublikowanego przebiegu nie użyto kręgosłupa. Wyliczone wiersze mogą zmieniać zarówno jakość, jak i prędkość, więc tabela zawiera jedynie rzeczywistą ścieżkę mierzoną dla każdego wiersza.

F5-TTS, Higgs TTS 3oraz IndexTTS2 wiersze zostały zmierzone w lipcu 12, 2026 w tej samej sprawie FLEURS zestawy testowe i komendy punktowe (n =10 język; UTMOS22-strong); ich RTF jest wartością wzorcową dla pojedynczego zdania, a szczyt RSS pochodzi z CLI klonowanego, gdzie statki silnikowe w mowie CLI.

Wskaźniki wejściowe i wyjściowe

Źródło	Rola	Stawka
FLEURS references	Odniesienie do wejścia	16 kHz
OmniVoice / Chatterbox	Wyjście generowane	24 kHz
Qwen3-TTS Base ICL	Wyjście generowane	24 kHz
Fish Audio S2 Pro	Wyjście generowane	44.1 kHz
VoxCPM2	Wyjście generowane	48 kHz
F5-TTS / Higgs TTS 3	Wyjście generowane	24 kHz
IndexTTS2	Wyjście generowane	22.05 kHz

Odniesienia są 16 kHz, więc zawierają one tylko widoczne dowody do mniej więcej 8 KHz. Wyjścia o wysokiej częstotliwości mogą brzmieć bardziej otwarcie, ponieważ zachowują lub syntetyzują więcej wysokopasmowego oddechu, sibilance i szczegółów pomieszczenia, ale 44.1 lub 48 wyjście kHz nie oznacza automatycznie lepszego klona. Większość głośników tożsamość i inteligentność sygnały żyć znacznie poniżej tego wysokiego pasma, podczas gdy nadmierna energia o wysokiej częstotliwości może sprawić, że głos czuje się ostry nawet, gdy WER i głośnik cosine wyglądają dobrze.

Klony dźwiękowe odniesienia i generowane

Próbka referencyjna: Angielski

Angielski

FLEURS test/en_us/6306322369645218273.wav

Transkrypcja referencyjna: One can only wonder what the keyboard will become when something newer comes along.

Tekst wygenerowany: While he was working at the hospital Liggins began to investigate premature labor during his spare time.

OmniVoice

int8 klon z Angielski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.513

WER μ

11.1%

UTMOS μ

2.32

RTF med.

0.17

VoxCPM2

bf16 klon z Angielski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.547

WER μ

1.8%

UTMOS μ

2.97

RTF med.

1.11

Chatterbox Multilingual

fp16 klon z Angielski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.642

WER μ

1.2%

UTMOS μ

2.22

RTF med.

0.76

Fish Audio S2 Pro

fp16 klon z Angielski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.489

WER μ

3.9%

UTMOS μ

3.47

RTF med.

2.78

Qwen3-TTS Base

1.7B bf16 ICL klon z Angielski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.491

WER μ

2.4%

UTMOS μ

3.50

RTF med.

1.70

F5-TTS

fp16 klon z Angielski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.698

WER μ

5.6%

UTMOS μ

1.82

RTF med.

0.57

Higgs TTS 3

bf16 klon z Angielski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.472

WER μ

4.0%

UTMOS μ

2.88

RTF med.

0.78

IndexTTS2

fp16 klon z Angielski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.738

WER μ

5.1%

UTMOS μ

2.98

RTF med.

1.0

Próbka referencyjna: Niemiecki

Niemiecki

FLEURS test/de_de/17047810064400454397.wav

Transkrypcja referencyjna: Wenn man eine romanische Sprache spricht, ist es natürlich leichter, Portugiesisch zu erlernen.

Tekst wygenerowany: Die Oberfläche des Mondes besteht aus Gestein und Staub. Die äußere Schicht des Mondes wird als Kruste bezeichnet.

OmniVoice

int8 klon z Niemiecki odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.787

WER μ

4.3%

UTMOS μ

2.89

RTF med.

0.22

VoxCPM2

bf16 klon z Niemiecki odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.732

WER μ

3.8%

UTMOS μ

2.80

RTF med.

1.09

Chatterbox Multilingual

fp16 klon z Niemiecki odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.778

WER μ

5.2%

UTMOS μ

3.32

RTF med.

1.20

Fish Audio S2 Pro

fp16 klon z Niemiecki odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.718

WER μ

7.0%

UTMOS μ

3.34

RTF med.

2.80

Qwen3-TTS Base

1.7B bf16 ICL klon z Niemiecki odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.721

WER μ

10.8%

UTMOS μ

3.34

RTF med.

1.72

Higgs TTS 3

bf16 klon z Niemiecki odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.678

WER μ

5.7%

UTMOS μ

2.95

RTF med.

0.78

Próbka referencyjna: Nowoczesny standardowy arabski

Nowoczesny standardowy arabski

FLEURS test/ar_eg/747984393569561964.wav

Transkrypcja referencyjna: المناطق الكبيرة في الشمال هي مناطق قليلة السكان نوعا ما والبعض غير مأهول تقريبا.

Tekst wygenerowany: قامت فرقة إيروشميث بإلغاء باقي حفلاتهم في جولتهم الموسيقية.

OmniVoice

int8 klon z Nowoczesny standardowy arabski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.727

WER μ

33.2%

UTMOS μ

2.72

RTF med.

0.18

VoxCPM2

bf16 klon z Nowoczesny standardowy arabski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.678

WER μ

30.2%

UTMOS μ

2.67

RTF med.

1.14

Chatterbox Multilingual

fp16 klon z Nowoczesny standardowy arabski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.703

WER μ

28.3%

UTMOS μ

2.90

RTF med.

1.10

Fish Audio S2 Pro

fp16 klon z Nowoczesny standardowy arabski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.688

WER μ

26.7%

UTMOS μ

3.30

RTF med.

2.83

Higgs TTS 3

bf16 klon z Nowoczesny standardowy arabski odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.700

WER μ

20.2%

UTMOS μ

2.75

RTF med.

0.78

Próbka referencyjna: Hiszpański

Hiszpański

FLEURS test/es_419/11137049735103408221.wav

Transkrypcja referencyjna: Las escenas se proyectan en las pirámides y todas ellas son iluminadas.

Tekst wygenerowany: La segregación y la recombinación barajan la variación entre uno y otro generación tras generación.

OmniVoice

int8 klon z Hiszpański odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.758

WER μ

9.9%

UTMOS μ

2.86

RTF med.

0.21

VoxCPM2

bf16 klon z Hiszpański odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.641

WER μ

5.8%

UTMOS μ

2.62

RTF med.

1.18

Chatterbox Multilingual

fp16 klon z Hiszpański odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.708

WER μ

6.9%

UTMOS μ

3.37

RTF med.

1.22

Fish Audio S2 Pro

fp16 klon z Hiszpański odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.633

WER μ

6.8%

UTMOS μ

2.95

RTF med.

2.73

Qwen3-TTS Base

1.7B bf16 ICL klon z Hiszpański odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.710

WER μ

11.1%

UTMOS μ

3.03

RTF med.

1.76

Higgs TTS 3

bf16 klon z Hiszpański odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.623

WER μ

1.0%

UTMOS μ

2.84

RTF med.

0.78

Próbka referencyjna: Chiński

Chiński

FLEURS test/cmn_hans_cn/6735471425702786619.wav

Transkrypcja referencyjna: 当天，格林尼治时间 (GMT) 约 12 时许，该车辆被拖离事故现场。

Tekst wygenerowany: 植物通过光合作用从阳光中获取养分。它们还能提供荫凉。

OmniVoice

int8 klon z Chiński odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.709

CER μ

4.9%

UTMOS μ

2.83

RTF med.

0.21

VoxCPM2

bf16 klon z Chiński odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.695

CER μ

4.9%

UTMOS μ

2.91

RTF med.

1.10

Fish Audio S2 Pro

fp16 klon z Chiński odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.634

CER μ

6.2%

UTMOS μ

3.55

RTF med.

2.76

Qwen3-TTS Base

1.7B bf16 ICL klon z Chiński odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.701

CER μ

5.7%

UTMOS μ

3.44

RTF med.

1.73

F5-TTS

fp16 klon z Chiński odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.780

CER μ

13.9%

UTMOS μ

1.66

RTF med.

0.57

Higgs TTS 3

bf16 klon z Chiński odniesienia. Metrics są ten- klip oznacza; audio jest jedną reprezentatywną próbką.

Cosine

0.574

CER μ

4.3%

UTMOS μ

3.13

RTF med.

0.78

Metoda

Odniesienia do zbioru danych, a nie ręcznie wybierane demo

Referencje i teksty docelowe pochodzą z Google FLEURS test split: angielski, niemiecki, arabski, hiszpański i mandaryński chiński. Dla każdego języka wybraliśmy dziesięć klipów referencyjnych i sparował każdy z innym held- out FLEURS zdanie docelowe, więc wskaźniki są mniej wrażliwe na jeden łatwy lub zły zdanie. Dla silników, które akceptują zapis odniesienia, dokładny zapis FLEURS został przekazany z dźwiękowym pozorem.

Ocena klonowania głosowego w stylu VoxCPM- jest odzwierciedleniem obiektywnej strony skali VoxCP-: inteligencja poprzez WER/CER, i klonowanie poprzez głośnik osadzające cosinus podobieństwa. Soniqojest speech embed-speaker --engine mlx, więc porównać wiersze wewnątrz tej tabeli, nie z procentami papieru SIM bezpośrednio.

UTMOS oblicza się z utmos22_strong z SpeechMOS po ponownym przyklejeniu wygenerowanych klipów do 16 kHz. Daje to niereferencyjny sygnał naturalności, że WER i głośnik cosine miss, ale nadal jest to model przewidywania, a nie ludzkie badania słuchowe.

Qwen3-TTS Base mierzy się przy użyciu publicznego speech-swift ICL API (Qwen3TTSModel.fromPretrainedWithEncoder + synthesizeWithVoiceCloneICL) przy użyciu tego samego dźwięku referencyjnego FLEURS i transkrypcji. Jest on pomijany w języku arabskim, ponieważ aktualny zestaw języków Qwen3-TTS tutaj nie zawiera arabskiego. Lista języków górnych Chatterbox zawiera chiński, ale obecny frontend Swift obsługuje tylko bezpośrednią ścieżkę tokenizera dla en, ar, hi, de, es, fr, itoraz pt; rząd chiński jest celowo pomijany do czasu, aż ten frontend wyląduje.

# Public speech-swift CLI example for one generated row.
speech speak "$TEXT" \
  --engine voxcpm2 \
  --voxcpm2-variant bf16 \
  --voxcpm2-ref-audio reference.wav \
  --language arabic \
  --output generated.wav

speech embed-speaker reference.wav --engine mlx --json
speech embed-speaker generated.wav --engine mlx --json
speech transcribe generated.wav --engine qwen3 --model 0.6B --language arabic

Po co wielokrotne wyniki?

Klon może brzmieć jak głośnik, ale powiedzieć niewłaściwy tekst, lub powiedzieć tekst wyraźnie, gdy brakuje głośnika. Może również dopasować tekst i głośnik podczas przenoszenia dźwiękowych artefaktów. Głośnik cosine, WER / CER i UTMOS złapać różne tryby awarii, więc wszystkie trzy muszą być widoczne.

Emocja i przypisanie stylu

OmniVoice

Szeroki styl podpowiedzi

Dobrze, gdy chcesz sklonowany głośnik z prostym poradnikiem dostawy, takich jak uspokajający, młodszy, niższy, lub whispered czytanie. Ten punkt odniesienia użył neutralnej dostawy.

Chatterbox Multilingual

Wytrzymałość

Przydatne, gdy chcesz, aby ten sam głośnik brzmiał bardziej powściągliwie lub bardziej animowany bez zapisywania znaczników emocji w tekście. Ten punkt odniesienia zachował ekspresję neutralną.

VoxCPM2

Kierunek głosu w prostych słowach

Silny dopasowanie, gdy chcesz opisać docelowy głos lub dostawy w języku naturalnym, podczas gdy nadal klonowanie z klipu referencyjnego. Ten punkt odniesienia używał tylko klipu odniesienia.

Fish Audio S2 Pro

Aktywne sygnały dostawy

Najlepiej, gdy skrypt potrzebuje wyraźnych momentów takich jak śmiech, szepty, podniecenie, czy smutek. Ten punkt odniesienia użył zwykłego tekstu bez sygnałów aktorskich.

Qwen3-TTS Base

Reference- audio ICL

Używa klipu i transkrypcji FLEURS jako kondycjonowania w kontekście. Jest to porównywalna ścieżka Qwen3-TTS do klonowania opartego na próbkach w tabeli.

F5-TTS

Prędkość + flagi nasion

Brak znaczników inline; --f5-speed skalowania pacing i --f5-seed pins przepływ dokładnie - najczystszy z szybkich klonerów.

Higgs TTS 3

Tokeny kontroli wewnętrznej

& lt; 124; emocje:... 124; & gt;, & lt; 134; styl: szeptanie 124;; & gt!, & lt = 124; sfx: śmiech 124; i prosodie znaczniki umieszczone prosto w tekście docelowym.

IndexTTS2

Zakłady emocjonujące + wektory

--indextts2-emotion zaprogramowane lub wektor wartości 8- ważony, plus oddzielny klip wzorcowy style- i kontrola szybkości mówienia.

Wskaźnik ten celowo pozostawia te stery neutralne. To utrzymuje podobieństwo głośnika związane z odniesieniem FLEURS zamiast nagradzania modelu do dodawania dodatkowych emocji, szeptów, krzyków lub śmiechu.

Odczyt wyniku

Traktuj to jako kompaktowy sprawdzian inżynieryjny, a nie liderów. Dziesięć par odniesienia / docelowy na język są bardziej przydatne niż pojedyncze zdanie demo, ale nadal zbyt małe, aby koronować uniwersalnego zwycięzcę. Przydatne czytanie jest tam, gdzie model jest stabilny lub kruchy dla określonego języka i metryki.

Fish Audio i Qwen3-TTS często zdobywają lepsze wyniki na UTMOS nawet jeśli inny model ma wyższy głośnik cosine. Qwen3-TTS Base ICL jest dołączony do angielskiego, niemieckiego, hiszpańskiego i chińskiego; w tym trybie jest najsilniejszy jako naturalność / text- recovery bazowy, podczas gdy dedykowane modele klonowania pozostają konkurencyjne na tożsamości głośnika. Prawym czytaniem jest per- język handlowy, nie jeden zwycięzca.

Spróbuj na stosie.

Speech Studio

Lokalna aplikacja pulpitu do klonowania głosów i renderowania skryptów multigłośnikowych na maszynie.

Otwórz Speech Studio

Soniqo Cloud

Hosted punkt końcowy do testowania tego samego stos mowy przed podłączeniem go do produktu.

Otwórz soniqo.audio / cloud

Dokumentacja klonowania głosu Dokument oceniający VoxCPM