Kaiju Hub AI

குரல் தட்டச்சு

கைஜு ஹப் அமைப்புகளில் குரல் தட்டச்சு சேவை தேர்வு

கண்ணோட்டம்

உள்ளூர் டிரான்ஸ்கிரிப்ஷன் இன்ஜின் அல்லது உங்கள் இயக்க முறைமையின் உள்ளமைக்கப்பட்ட டிக்டேஷன் சேவையைத் தேர்வு செய்யவும். கிடைக்கும் என்பது உங்கள் இயங்குதளம் மற்றும் எந்த விருப்ப இயந்திரங்கள் நிறுவப்பட்டுள்ளன என்பதைப் பொறுத்தது.

பேச்சுக்கு உரை என்ன செய்கிறது

கைஜு ஹப் AI மைக்ரோஃபோன் செயலை வழங்கும் எல்லா இடங்களிலும் நீங்கள் சொல்வதை உரையிலிருந்து உரை திருத்தக்கூடிய உரையாக மாற்றுகிறது. முகவர் அறிவுறுத்தல்களைக் கட்டளையிடவும், கைஜு குரல் உரையாடலைத் தொடரவும் மற்றும் தட்டச்சு செய்யாமல் நீண்ட வழிமுறைகளை உள்ளிடவும் இதைப் பயன்படுத்தவும். விஸ்பர் மற்றும் பரகீட் போன்ற உள்ளூர் இயந்திரங்கள் உங்கள் கணினியில் டிரான்ஸ்கிரிப்ஷனை வைத்திருக்கின்றன; இயங்குதள டிக்டேஷன் விண்டோஸ் அல்லது மேகோஸ் வழங்கும் பேச்சு சேவையைப் பயன்படுத்துகிறது.

கிடைக்கும் சேவைகள்

கிசுகிசு

தேர்ந்தெடுக்கக்கூடிய மாதிரி அளவு மற்றும் வன்பொருள் முடுக்கம் கொண்ட உள்ளூர் OpenAI விஸ்பர் டிரான்ஸ்கிரிப்ஷன்.

என்விடியா பாராகீட்

விருப்பமான Parakeet இயந்திரத்தைப் பயன்படுத்தி வேகமான உள்ளூர் பேச்சு அங்கீகாரம்.

பைத்தியக்காரத்தனமான வேகமான விஸ்பர்

ஆதரிக்கப்படும் GPU உள்ளமைவுகளுக்கான உகந்த விஸ்பர் பாதை.

விண்டோஸ் குரல் தட்டச்சு

விண்டோஸ் டிக்டேஷன் மற்றும் உள்ளமைக்கப்பட்ட சிஸ்டம் ஹாட்ஸ்கியைப் பயன்படுத்துகிறது.

ஆப்பிள் டிக்டேஷன்

உள்ளமைக்கப்பட்ட macOS டிக்டேஷன் சேவையைப் பயன்படுத்துகிறது.

கிசுகிசு

Whisper அமைப்புகள்

உள்ளூர் உரை-க்கு-பேச்சு டிரான்ஸ்கிரிப்ஷனுக்கான OpenAI Whisper அமைப்புகளை உள்ளமைக்கவும். Whisper உங்கள் கணினியில் முழுவதுமாக இயங்குகிறது, ஆஃப்லைன், தனிப்பட்ட குரல் உள்ளீட்டிற்காக. மாதிரிகளைப் பதிவிறக்கவும், நிறுவவும் மற்றும் நீக்கவும்.

கிடைக்கக்கூடிய மாதிரிகள்

சிறிய

39M அளவுருக்கள், ~75 MB பதிவிறக்கம், ~10x நிகழ்நேர வேகம், 1 GB VRAM தேவை.

அடிப்படை

74M அளவுருக்கள், ~145 MB பதிவிறக்கம், ~7x நிகழ்நேர வேகம், 1 GB VRAM தேவை.

சிறிய

244M அளவுருக்கள், ~465 MB பதிவிறக்கம், ~4x நிகழ்நேர வேகம், 2 GB VRAM தேவை.

நடுத்தரம்

769M அளவுருக்கள், ~1.5 GB பதிவிறக்கம், ~2x நிகழ்நேர வேகம், 5 GB VRAM தேவை.

பெரிய

1550M அளவுருக்கள், ~3 GB பதிவிறக்கம், 1x நிகழ்நேர வேகம், 10 GB VRAM தேவை.

துரித

809M அளவுருக்கள், ~1.6 GB பதிவிறக்கம், ~8x நிகழ்நேர வேகம், 6 GB VRAM தேவை.

எந்த விஸ்பர் மாதிரியை நான் தேர்வு செய்ய வேண்டும்?

வேகம், நினைவக பயன்பாடு மற்றும் டிரான்ஸ்கிரிப்ஷன் தரம் ஆகியவற்றின் நடைமுறை சமநிலைக்கு Small மாடலுடன் தொடங்கவும். வன்பொருள் குறைவாக இருக்கும்போது கீழே நகர்த்தவும் அல்லது துல்லியம் மற்றும் GPU செயல்திறன் அதிகமாக இருக்கும்போது Medium, Large அல்லது Turbo மாடலைத் தேர்ந்தெடுக்கவும்.

சிறிய

வேக்-வார்த்தை கண்டறிதல், விரைவான கட்டளைகள் மற்றும் குறைந்த நினைவக அமைப்புகளில் சோதனை செய்தல்.

அடிப்படை

சுமாரான வன்பொருளில் சிறு குறிப்புகள், தூண்டுதல்கள் மற்றும் பொதுவான கட்டளைகள்.

சிறிய

முகவர் தூண்டுதல்கள் மற்றும் நீண்ட கட்டளைகளுக்கான சீரான தினசரி தேர்வு.

நடுத்தரம்

கூடுதல் செயலாக்க நேரத்தையும் நினைவகத்தையும் வர்த்தகம் செய்யும்போது துல்லியத்தை மையமாகக் கொண்ட டிரான்ஸ்கிரிப்ஷன்.

பெரிய

குறைந்தபட்சம் 10 ஜிபி VRAM உள்ள கணினிகளுக்கான மிகத் துல்லியமான உள்ளூர் விருப்பம்.

துரித

குறைந்தபட்சம் 6 ஜிபி VRAM உடன் ஆதரிக்கப்படும் GPU இல் வேகமான, உயர்தர டிரான்ஸ்கிரிப்ஷன்.

நிறுவல் நிலை

அமைப்புகள் பக்கம் தேவையான சார்புகளின் நிறுவல் நிலையைக் காட்டுகிறது:

கிசுகிசு
FFmpeg
CUDA
UV (Python env)

கிளி மற்றும் மிக வேகமாக விஸ்பர்

விருப்பமான வேகமான இயந்திரங்கள்

இந்த எஞ்சின்கள் தனித்தனி பதிவிறக்கங்கள் எனவே இயல்புநிலை நிறுவல் சிறியதாக இருக்கும். அமைப்புகள் திரை ஒவ்வொரு இயந்திரத்திற்கும் நிறுவல் மற்றும் வன்பொருள் நிலையைக் காட்டுகிறது.

நேரடி உள்ளூர் உரைமாற்றத்துடன் நீங்கள் பேசும்போதே சொற்கள் தோன்றுவதைப் பாருங்கள். Insanely Fast Whisper நவீன NVIDIA GPU-களுக்காக மேம்படுத்தப்பட்டுள்ளது; Whisper, Parakeet, கிளவுட் மற்றும் இயங்குதள பேச்சு விருப்பங்களும் கிடைக்கின்றன.

என்விடியா பாராகீட்

அதிவேக லோக்கல் ஸ்பீச்-டு-டெக்ஸ்ட் இன்ஜின். அதைத் தேர்ந்தெடுப்பதற்கு முன் குரல் தட்டச்சு அமைப்புகளில் இருந்து அதன் விருப்ப இயக்க நேரத்தை நிறுவவும்.

பைத்தியக்காரத்தனமான வேகமான விஸ்பர்

இணக்கமான GPU அமைப்புகளுக்காக வடிவமைக்கப்பட்ட ஒரு துரிதப்படுத்தப்பட்ட விஸ்பர் செயலாக்கம். பயன்படுத்துவதற்கு முன் விருப்ப இயந்திரத்தை நிறுவவும்.

Kaiju Voice மூலம் ஒன்றைத் தேர்ந்தெடுப்பது பெரிய பதிவிறக்கத்தை அமைதியாகத் தொடங்காது. முதலில் அதை அமைப்புகளில் நிறுவவும்; அசிஸ்டண்ட் அதன் பிறகு கிடைக்கும் தன்மையை சரிபார்த்து சேவைகளை மாற்றலாம்.

தளம் குரல்

Windows Voice Typing — keyboard shortcut configuration and system setup

Windows குரல் தட்டச்சு

Windows 10 மற்றும் அதற்குப் பிந்தையவற்றில் உள்ள Azure பேச்சு சேவைகளைப் பயன்படுத்தி Windows குரல் தட்டச்சுவை உள்ளமைக்கவும். இணைய இணைப்பு தேவை. Windows அமைப்புகளில் பேச்சு அங்கீகாரத்தை இயக்க வழிமுறைகளைப் பின்பற்றவும்.

கணினி தேவைகள்

பேச்சு அங்கீகாரத்துடன் கூடிய Windows 10 அல்லது அதற்குப் பிந்தையது.

ஹாட்கி

இயல்புநிலை தூண்டுதல் ஹாட்கி: Ctrl+Shift+W. உங்கள் விருப்பப்படி உள்ளமைக்கலாம்.

தூண்டுதலைச் சோதிக்கவும்

குரல் தட்டச்சு சரியாக வேலை செய்கிறதா என்பதைச் சரிபார்க்க சோதனைக் பொத்தான்.

Apple டிக்டேஷன்

macOS அமைப்புகளில் டிக்டேஷனை இயக்குவதன் மூலம் macOS-இல் macOS டிக்டேஷனை உள்ளமைக்கவும்.

கணினி தேவைகள்

macOS-இல், macOS அமைப்புகள் > விசைப்பலகையில் டிக்டேஷன் இயக்கப்பட்டுள்ளது.

ஹாட்கி

இயல்புநிலை தூண்டுதல் ஹாட்கி: Ctrl+Shift+D. உங்கள் விருப்பப்படி உள்ளமைக்கலாம்.

தூண்டுதலைச் சோதிக்கவும்

குரல் தட்டச்சு சரியாக வேலை செய்கிறதா என்பதைச் சரிபார்க்க சோதனைக் பொத்தான்.

உரையிலிருந்து பேச்சு மற்றும் AI குரல்கள்

Build with the speech API

In desktop versions with Settings → Voice → API, enable the speech API to let programs on the same computer use Kaiju's speech engines. That tab shows the current base URL, a private Bearer access key, endpoint details, and Python examples. Keep Kaiju open; the URL's port may change after restarting.

POST /speech returns audio from an installed TTS model and compatible voice, including a selected remote TTS computer; Pro access is required. POST /transcriptions accepts a base64 recording and its extension, then uses the speech-to-text provider selected in Voice settings. Enable Speech to Text first. Cloud transcription may incur provider charges, and platform microphone dictation cannot transcribe uploaded files.

Use GET /models and GET /voices for exact TTS IDs. Every endpoint requires Authorization: Bearer YOUR_KEY. The API accepts speech text up to 4,000 characters and recordings up to 40 MB, with two concurrent requests. Access is loopback-only; browser origins are blocked. Regenerate the key to revoke previous integrations, or disable the API to reject new calls.

உள்ளூர் குரல் மாதிரிகள்

தேர்ந்தெடுக்கப்பட்ட நிறுவப்பட்ட மாதிரி மூலம் AI மூளை பேசுகிறது. மாடல்களை மாற்றுவது புதியதை ஏற்றுவதற்கு முன் முந்தைய மாடலை இறக்கி, அந்த மாதிரியுடன் இணக்கமான குரல்களுக்கு குரல் பட்டியல் வடிகட்டப்படும்.

கோகோரோ 82 எம்

பரந்த உள்ளமைக்கப்பட்ட குரல் தேர்வுடன் இலகுரக, வேகமான உள்ளூர் பேச்சு.

சாட்டர்பாக்ஸ் டர்போ

குறைந்த தாமதம் வெளிப்படுத்தும் பேச்சு மற்றும் ஆதரவு குரல் குளோனிங்.

அரட்டைப் பெட்டி

வெளிப்படையான உள்ளூர் தொகுப்பு மற்றும் குளோனிங்கிற்கான முழு சாட்டர்பாக்ஸ் மாதிரி.

OmniVoice 0.6B

கச்சிதமான பன்மொழி உள்ளூர் உரை-க்கு-பேச்சு.

OuteTTS 1.0 1B

அதன் சொந்த இணக்கமான குரல் தொகுப்புடன் உள்ளூர் பேச்சு உருவாக்கம்.

Qwen3-TTS 1.7B

பெரிய பன்மொழி மற்றும் வெளிப்படையான உள்ளூர் தொகுப்பு.

மீன் பேச்சு S2 ப்ரோ

ஆதரிக்கப்படும் குறிப்பு-குரல் பணிப்பாய்வுகளுடன் உயர்தர உள்ளூர் பேச்சு.

பேச்சு வேகத்தை 0.5× முதல் 2× வரை அமைக்கலாம். குரல் குளோனிங் அதை ஆதரிக்கும் மாதிரிகளுக்கு மட்டுமே தோன்றும்; உங்களுக்குச் சொந்தமான அல்லது பயன்படுத்த அனுமதி உள்ள ஆடியோவைப் பயன்படுத்தவும்.

கிளவுட் வழங்குநர் பட்டியல்

அமைப்புகளின் பட்டியலில் OpenAI, ElevenLabs, Cartesia, Smallest AI, Fish Audio, Speechmatics, Amazon Polly, Google Cloud Text-to-Speech மற்றும் Microsoft Azure ஆகியவற்றுக்கான உள்ளமைவும் அடங்கும். கிடைக்கும் என்பது வழங்குநரின் உள்ளமைவு மற்றும் நீங்கள் வழங்கும் நற்சான்றிதழ்களைப் பொறுத்தது.

API நற்சான்றிதழ்கள் அமைப்புகளில் இருக்கும் மற்றும் Kaiju Voice இன் பேச்சு அல்லது கட்டமைக்கப்பட்ட அமைப்புகளின் சுருக்கங்களில் இருந்து விலக்கப்படும்.

Kaiju Hub AI-இல் காட்டப்படும் அனைத்து மூன்றாம் தரப்பு சின்னங்கள், வர்த்தக முத்திரைகள் & பிராண்ட் பெயர்கள் அந்தந்த உரிமையாளர்களின் சொத்து. அவற்றின் பயன்பாடு அடையாளம் காணும் நோக்கத்தில் மட்டுமே மற்றும் ஒப்புதல், நிதியுதவி அல்லது இணைப்பைக் குறிக்காது.