የድምጽ ትየባ

አጠቃላይ እይታ

የአካባቢያዊ ግልባጭ ሞተር ወይም የስርዓተ ክወናዎን አብሮገነብ የቃላት አገልግሎት ይምረጡ። ተገኝነት በእርስዎ መድረክ ላይ እና የትኞቹ አማራጭ ሞተሮች እንደተጫኑ ይወሰናል.

ንግግር-ወደ-ጽሑፍ ምን ያደርጋል

ንግግር ወደ ጽሑፍ ካይጁ ሃብ AI የማይክሮፎን እርምጃ በሚያቀርብበት ቦታ ሁሉ የሚናገሩትን ወደ አርታኢ ጽሑፍ ይለውጠዋል። የወኪል ጥያቄዎችን ለመግለፅ፣ የካይጁ ድምጽ ውይይት ለመቀጠል እና ረጅም መመሪያዎችን ሳይተይቡ ለማስገባት ይጠቀሙበት። እንደ ሹክሹክታ እና ፓራኬት ያሉ የሀገር ውስጥ ሞተሮች በማሽንዎ ላይ ግልባጭን ያስቀምጣሉ። የመሳሪያ ስርዓት በዊንዶውስ ወይም በማክሮስ የሚሰጠውን የንግግር አገልግሎት ይጠቀማል።

የሚገኙ አገልግሎቶች

ሹክሹክታ

ከተመረጠ የሞዴል መጠን እና የሃርድዌር ማጣደፍ ጋር የአካባቢ ክፍት AI ሹክሹክታ ግልባጭ።

NVIDIA Parakeet

የአማራጭ የፓራኬት ሞተርን በመጠቀም ፈጣን የአካባቢ ንግግር ማወቂያ።

እብድ ፈጣን ሹክሹክታ

ለሚደገፉ የጂፒዩ ውቅሮች የተመቻቸ የሹክሹክታ መንገድ።

የዊንዶውስ ድምጽ ትየባ

የዊንዶውስ ዲክቴሽን እና የተዋቀረውን የስርዓት ሙቅ ቁልፍ ይጠቀማል።

አፕል ዲክቴሽን

አብሮ የተሰራውን የMacOS ቃላቶች አገልግሎት ይጠቀማል።

ምስል

ዊስፐር ቅንብሮች

የRunPod API ቁልፍ

ቪዲዮ

የምስል ሞዴሎች

የአካባቢ ሞዴሎች

የAPI አቅራቢዎች

ComfyUI

ትንሽ

የአካባቢ ሞዴሎችን ያውርዱ እና በአካባቢው ላይ ይጫኑ። ተገኝቶ ያሉ የአካባቢ ሞዴሎች Stable Diffusion እና FLUX የሞዴል ቤተ-መጽሐፍት ያካትታሉ። ከHugging Face የተወሰኑ የተበጀ ሞዴሎችን ሙሉ በሙሉ በማውረድ እና በማስተዳደር ማከል ይችላሉ።

መካከለኛ

የቪዲዮ ሞዴሎች

የቪዲዮ አቅራቢዎች

የጽሑፍ-ወደ-ቪዲዮ ወይም የምስል-ወደ-ቪዲዮ ይዘት ለመፍጠር ጥቅም ላይ የሚውሉትን ሞዴሎችን ይምረጡ። የአካባቢ፣ የAPI እና የComfyUI ፍጥረት ሁነታዎችን ይደግፋል። ለእያንዳንዱ አቅራቢ የተወሰኑ ቅንብሮች የሚከተሉት ናቸው - ከፍተኛ የጊዜ ገደብ፣ የጥራት ቅንብሮች እና የፍታ ውቅር አማራጮች።

የመገናኛ መሳሪያ አቅራቢዎች

ለተጨማሪ መገናኛ መሳሪያዎች የተወሰነ API ቁልፎችን ያስገቡ እና ያዋቅሩ። አንዳንድ አቅራቢዎች (OpenAI፣ xAI፣ Google Gemini) ቀደም ብለው በAI አገልግሎቶች ውስጥ ያዋቅሩትን ቁልፎችን ሊጠቀሙባቸው ይችላሉ ወይም ለተጨማሪ መገናኛ መሳሪያዎች የተወሰነ ቁልፎችን ማዋቀር ይችላሉ። እያንዳንዱ አቅራቢ የደመና ገደብ መረጃ፣ ተገኝቶ ካሉበት ጊዜ ላይ የተመሰረቱ መረጃዎች እና ዋጋ መረጃ ያሳያል።

የትኛውን የሹክሹክታ ሞዴል መምረጥ አለብኝ?

ለተግባራዊ የፍጥነት፣ የማህደረ ትውስታ አጠቃቀም እና የጽሑፍ ጥራት ሚዛን በ Small ይጀምሩ። ሃርድዌር ሲገደብ ወደ ታች ውሰድ፣ ወይም ትክክለኛነት እና የጂፒዩ አፈጻጸም ሲበዛ Medium፣ Large ወይም Turbo ይምረጡ።

የምስል ሞዴሎች

የመቀስቀሻ ቃል ማወቂያ፣ ፈጣን ትዕዛዞች እና በዝቅተኛው የማህደረ ትውስታ ስርዓቶች ላይ መሞከር።

የAPI አቅራቢዎች

በመጠኑ ሃርድዌር ላይ አጭር ማስታወሻዎች፣ መጠየቂያዎች እና አጠቃላይ መግለጫ።

ትንሽ

የተመጣጠነ የዕለት ተዕለት ምርጫ ለወኪል መጠየቂያዎች እና ረዘም ያለ የቃላት መግለጫ።

መካከለኛ

ተጨማሪ የማስኬጃ ጊዜን እና ማህደረ ትውስታን መገበያየት በሚችሉበት ጊዜ ትክክለኛነት ላይ ያተኮረ ጽሑፍ።

የቪዲዮ አቅራቢዎች

ቢያንስ 10 ጂቢ ቪራም ላሉ ስርዓቶች ከፍተኛው ትክክለኛ የአካባቢ ምርጫ።

የመገናኛ መሳሪያ አቅራቢዎች

ቢያንስ 6 ጂቢ ቪራም ባለው በሚደገፍ ጂፒዩ ላይ ፈጣን እና ከፍተኛ ጥራት ያለው ቅጂ።

ሁኔታ

የርቀት GPU መዳረሻን ለማንቃት የRunPod API ቁልፍዎን ያክሉ። ከRunPod ዳሽቦርድዎ API ቁልፍ መፍጠር ይችላሉ። ቁልፉ በአካባቢው በመሳሪያዎ ላይ ይከማች እና ወደ Kaiju Hub AI አገልጋዮች አይላክም።

ሹክሹክታ

FFmpeg

CUDA

UV (Python env)

ፓራኬት እና እብድ ፈጣን ሹክሹክታ

አማራጭ ፈጣን ሞተሮች

እነዚህ ሞተሮች የተለያዩ ማውረዶች ናቸው ስለዚህ ነባሪው መጫኑ ትንሽ ይቆያል። የቅንብሮች ማያ ገጹ ለእያንዳንዱ ሞተር የመጫን እና የሃርድዌር ሁኔታን ያሳያል።

በቀጥታ የአካባቢ ግልባጭ በሚናገሩበት ጊዜ ቃላት ሲታዩ ይመልከቱ። Insanely Fast Whisper ለዘመናዊ NVIDIA GPUዎች የተመቻቸ ሲሆን Whisper፣ Parakeet፣ የደመና እና የመድረክ የንግግር አማራጮችም ይገኛሉ።

NVIDIA Parakeet

ከፍተኛ ፍጥነት ያለው የአካባቢ የንግግር-ወደ-ጽሑፍ ሞተር። ከመምረጥዎ በፊት የራሱን አማራጭ የሩጫ ጊዜ ከድምጽ ትየባ መቼቶች ይጫኑ።

እብድ ፈጣን ሹክሹክታ

ለተኳሃኝ ጂፒዩ ስርዓቶች የታሰበ የተፋጠነ የሹክሹክታ ትግበራ። ከመጠቀምዎ በፊት የአማራጭ ሞተሩን ይጫኑ.

በ Kaiju Voice በኩል አንዱን መምረጥ መቼም ትልቅ ማውረድ በጸጥታ አይጀምርም። በመጀመሪያ በቅንብሮች ውስጥ ይጫኑት; ረዳቱ መገኘቱን ማረጋገጥ እና አገልግሎቶችን መቀየር ይችላል።

የመድረክ ድምጽ

ድምጽ

Together AI

Fal AI

RunWare

Silicon Flow

Runway

ለቪዲዮ መፍጠር የተወሰነ API ቁልፍ ያስፈልጋል።

Stability AI

LLM

ለተጨማሪ መገናኛ መሳሪያዎች የተወሰነ API ቁልፍ ያስፈልጋል።

Fal AI

የፍጥረት ሁኔታ

Silicon Flow

የምስል እና የቪዲዮ መፍጠር

ለቪዲዮ መፍጠር የተወሰነ API ቁልፍ ያስፈልጋል።

የአካባቢ

ጽሑፍ ወደ ንግግር እና AI ድምጾች

የአካባቢ ድምጽ ሞዴሎች

AI Brain በተመረጠው የተጫነ ሞዴል በኩል ይናገራል. ሞዴሎችን መቀየር አዲሱን ከመጫንዎ በፊት የቀደመውን ሞዴል ያራግፋል፣ እና የድምጽ ዝርዝሩ ከዚያ ሞዴል ጋር ተኳሃኝ በሆኑ ድምጾች ይጣራል።

ኮኮሮ 82 ሚ

ቀላል ክብደት ያለው፣ ፈጣን የአካባቢ ንግግር ከሰፊ አብሮ የተሰራ የድምጽ ምርጫ።

Chatterbox ቱርቦ

ዝቅተኛ መዘግየት ገላጭ ንግግር እና የሚደገፍ የድምጽ ክሎኒንግ።

Chatterbox

ገላጭ የአካባቢ ውህደት እና ክሎኒንግ ሙሉው የቻተርቦክስ ሞዴል።

ኦምኒ ድምጽ 0.6ቢ

የታመቀ ባለብዙ ቋንቋ የአካባቢ ጽሑፍ-ወደ-ንግግር።

OutTTS 1.0 1B

ከራሱ ጋር ተኳሃኝ የሆነ የድምጽ ስብስብ ያለው የአካባቢ ንግግር ማመንጨት።

Qwen3-TTS 1.7B

ትልቅ ባለብዙ ቋንቋ እና ገላጭ የአካባቢ ውህደት።

የአሳ ንግግር S2 Pro

ከፍተኛ ጥራት ያለው የአካባቢ ንግግር ከማጣቀሻ-ድምጽ የስራ ፍሰቶች ጋር።

የንግግር ፍጥነት ከ 0.5× ወደ 2× ሊዘጋጅ ይችላል። የድምፅ ክሎኒንግ እሱን ለሚደግፉ ሞዴሎች ብቻ ይታያል; እርስዎ ባለቤት የሆኑትን ኦዲዮ ይጠቀሙ ወይም ለመጠቀም ፍቃድ ያለዎት።

የደመና አቅራቢ ካታሎግ

የቅንጅቶች ካታሎግ ለOpenAI፣ ElevenLabs፣ Cartesia፣ ትንሹ AI፣ Fish Audio፣ Speechmatics፣ Amazon Polly፣ Google Cloud Text-to-Speech እና Microsoft Azure ውቅረትን ያካትታል። ተገኝነት የሚወሰነው በአቅራቢው ውቅር እና በሚያቀርቡት ምስክርነቶች ላይ ነው።

የኤፒአይ ምስክርነቶች በቅንብሮች ውስጥ ይቀራሉ እና ከKaiju Voice የተነገረ ወይም የተዋቀሩ ቅንብሮች ማጠቃለያዎች የተገለሉ ናቸው።

በKaiju Hub AI ላይ የሚታዩ ሁሉም ሶስተኛ ወገን አርማዎች፣ ንግድ ምልክቶች እና ብራንድ ስሞች የየባለቤቶቻቸው ንብረት ናቸው። አጠቃቀማቸው ለለየት ዓላማ ብቻ ሲሆን ማፅደቅ፣ ድጋፍ ወይም ትስስር አያመለክትም።