Модели

Модель CassetteAI генерирует 30-секундный фрагмент менее чем за 2 секунды, а полноценный трек на 3 минуты — менее чем за 10 секунд. Стереозвук 44.1 кГц отличается профессиональной стабильностью: без обрывов, скрипов и случайных помех.

Генерация музыки с текстом песни по текстовому описанию на базе ACE-Step

Компактная модель для синтеза речи: качество сопоставимо с более крупными моделями, а работает она заметно быстрее и дешевле.

Генерирует лицензированную музыку, безопасную для коммерческого использования, по одному текстовому запросу. Стиль, настроение, инструментовку и точную длительность можно задавать полностью.

Генерирует по текстовому промпту качественные звуковые эффекты, безопасные для коммерческого использования. Можно управлять типом, текстурой, интенсивностью и точной длительностью звука.

Генерация музыки по простому текстовому запросу с помощью ACE-Step.

Генерация звуковых эффектов и атмосферных звуков по текстовому описанию: длительность до 600 секунд, до 4 вариантов на запрос.

Генерация песен по текстовому промпту или заданной лирике. Доступны настройки музыкального стиля, вокала, референсного аудио и мелодии, а также создание нескольких вариантов.

Реалистичные звуковые эффекты за секунды: модель CassetteAI для звуковых эффектов генерирует качественные SFX длительностью до 30 секунд всего за 1 секунду обработки

MMAudio генерирует синхронизированный звук по тексту. Может создавать звуки, описанные в промпте.

F5 TTS

Генерирует инструментальную музыку по текстовому описанию или загруженному инструментальному референсу, поддерживает несколько вариантов.

Качественная модель синтеза речи на британском английском с естественным и выразительным звучанием.

Модель синтеза речи на испанском с естественным звучанием, оптимизированная для латиноамериканского и европейского вариантов языка.

Естественная и выразительная модель синтеза речи на бразильском португальском, оптимизированная для чёткости и плавности.

Выразительная и естественная модель синтеза речи на французском, подходящая и для европейского, и для канадского варианта.

Качественная модель синтеза речи на итальянском языке: плавная и выразительная озвучка.

Очень быстрая модель DiffRhythm превращает тексты песен в полноценные композиции. Генерирует целую песню меньше чем за 30 секунд.

Быстрая модель синтеза речи на японском с естественным звучанием, оптимизированная для плавного произношения.

Клонирует голос любого человека и озвучивает любой текст этим голосом с помощью клонирования голоса в zonos.

Быстрая и выразительная модель синтеза речи на хинди с чётким произношением и точной интонацией.

Эффективная модель синтеза речи на китайском (мандарин), передающая естественные тона и просодию.

CSM (Conversational Speech Model) — модель генерации речи от Sesame, которая создаёт RVQ-аудиокоды по тексту и аудио на входе.

Генерирует аудио подкаста по упорядоченной последовательности реплик: для каждой реплики задаются текст и голос.