Модели
Цены в рублях за 1 млн токенов или за единицу результата. Списание — по факту.
Точная транскрипция аудиоклипа за один запрос с метками времени для слов. Оптимизирована для японского и других восточноазиатских языков.
Определение наличия речи и временных меток с высокой точностью и скоростью на сверхлёгкой модели Silero VAD
Утилита FFMPEG для сжатия аудио
Продление начала или конца аудио с текстом песни и/или заданным стилем с помощью ACE-Step.
Разделение аудио с помощью SAM Audio. Позволяет выделить любой звук по описанию на естественном языке и упрощает профессиональную обработку аудио для авторов, исследователей и специалистов по доступности.
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.
Быстрые модели ИИ для точного и эффективного распознавания речи в реальном времени.
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.
Единая речево-языковая модель, которая объединяет речь и текст в один согласованный поток с выравниванием 1:1.
Клонируйте голоса для диалогов по образцу аудио и генерируйте диалоги из текста с помощью Dia TTS — модели синтеза речи, которая использует передовые методы ИИ для получения высокого качества.
CSM (Conversational Speech Model) — модель генерации речи от Sesame, которая создаёт RVQ-аудиокоды по тексту и аудио на входе.
Быстрая обработка ИИ-моделями для точного и эффективного распознавания речи в реальном времени.
PersonaPlex — полнодуплексная диалоговая модель «речь в речь», работающая в реальном времени. Персону можно задать текстовыми ролевыми промптами и аудиообразцом голоса.
Модель синтеза речи от Maya Research уровня SOTA для выразительной генерации голоса: передаёт живые человеческие эмоции и позволяет точно настраивать голос.
Единая речево-текстовая модель, которая объединяет речь и текст в один связный поток с выравниванием 1:1. Облегчённый вариант на 1B
Распознавание речи в реальном времени через WebSocket с промежуточными результатами, пока человек говорит.
Естественная японская речь с потоковой передачей по мере генерации: воспроизведение начинается почти сразу.
PersonaPlex — диалоговая модель «речь в речь» с полнодуплексным режимом работы в реальном времени. Персонаж задаётся текстовыми ролевыми промптами и голосовым образцом.
Нативная модель определения конца реплики по аудио от Pipecat AI с открытым исходным кодом, развивается сообществом.
Говорите на одном языке — слушайте на другом. Потоковый перевод речи в речь с выводом переведённого текста вместе со звуком.
Передовая речевая модель от Maya Research для выразительной генерации голоса: передаёт живые человеческие эмоции и позволяет точно настраивать голос.
Быстрые ИИ-модели для точного и эффективного распознавания речи в реальном времени.
Утилита на базе FFMPEG для работы с импульсными характеристиками.
Быстрая обработка ИИ-моделями для точного и эффективного распознавания речи в реальном времени.
Генерирует аудио подкаста по упорядоченной последовательности реплик: для каждой реплики задаются текст и голос.