Модели

[Экспериментально] Whisper v3 Large, оптимизированная нашими специалистами по инференсу. Тот же WER, производительность вдвое выше!

SOTA-модель для разделения музыки на стемы: вокал, ударные, бас, гитара и другое.

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

Модель для понимания аудио: анализирует содержимое звука и отвечает на вопросы о том, что в нём происходит, по запросам пользователя.

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.

Разделение аудио с помощью SAM Audio. Выделяйте любой звук текстовым описанием на естественном языке: профессиональная обработка аудио, доступная авторам, исследователям и разработчикам решений для доступности.

Эндпоинт синтеза речи для Inworld TTS-1.5 Max.

Создаёт синхронизированные саундтреки для видео в виде аудиофайлов, при этом речь можно сохранить или отделить. Через промпт можно добавить внекадровые звуки и фоновую атмосферу.

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.

Генерация естественной и чёткой речи с помощью Index TTS 2.0 от IndexTeam

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

Объединение нескольких аудио в одно с помощью FFmpeg API.

Улучшает качество речи в аудио: убирает фоновый шум и повышает частоту дискретизации до 48KHz.

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

Анализирует видео и создаёт синхронизированные звуковые эффекты без лицензионных отчислений, привязанные по времени к происходящему в кадре. Возвращает аудиодорожку со звуковыми эффектами для коммерческого использования.

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

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.

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

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