Модели

Анализирует темп, настроение и тайминг видео и за секунды создаёт лицензированный саундтрек, синхронизированный с кадрами и безопасный для коммерческого использования.

F5 TTS

Модель синтеза речи, которая клонирует голос по короткому образцу и естественно говорит на многих языках.

Речь студийного качества из зашумлённых записей

Вариант Nemotron 3 Nano Omni от NVIDIA для работы со звуком и рассуждений. Гибридная архитектура MoE на основе Transformer и Mamba, 30B параметров, из них 3B активных. Принимает аудио и промпт, возвращает текст.

Генерация музыки по тексту песни и образцу аудио с помощью ACE-Step.

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

Maya1 — SOTA-модель речи от Maya Research для выразительной генерации голоса. Передаёт настоящие человеческие эмоции и позволяет точно настраивать голос.

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

Генерация длинной выразительной речи несколькими голосами на базе мощной модели синтеза речи от Microsoft.

Cohere Transcribe превращает деловые аудиозаписи в точный текст, готовый для поиска, аналитики и автоматизации.

Многоязычная потоковая модель распознавания речи (ASR) для качественной транскрипции на нескольких языках как при потоковой работе с низкой задержкой, так и при пакетной обработке с высокой пропускной способностью.

Dia генерирует реалистичные диалоги прямо по транскрипту. Аудиоконтекст позволяет управлять эмоциями, а на выходе получаются естественные невербальные звуки — смех, покашливание и другие.

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

Разделение аудио с помощью SAM Audio. Позволяет выделить любой звук по описанию на естественном языке — профессиональный монтаж звука стал проще для авторов, исследователей и в задачах доступности.

Orpheus TTS — SOTA-модель синтеза речи на базе Llama (Speech-LLM) для качественной и эмпатичной озвучки текста. Дообучена так, чтобы речь звучала на уровне человека: чёткая, выразительная, в реальном времени.

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.

Изменение фрагмента аудио по тексту песни и/или стилю с помощью ACE-Step

Точная транскрипция аудиоклипа за один запрос с метками времени для слов. Оптимизирована для японского и других восточноазиатских языков.

Генерация длинной выразительной речи с несколькими голосами с помощью мощной модели синтеза речи от Microsoft.

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.

Профессиональная озвучка за секунды с моделью Async TTS Pro: паузами, акцентами и таймингом можно управлять с помощью текста. Идентификаторы голосов есть на https://async.com/developer/voice-library

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.