moe-tts

מה זה

הממשק מחולק לשלוש לשוניות: הקראת טקסט רגילה, המרת קול, והמרת קול מסוג Soft Voice Conversion. בכל לשונית בוחרים מודל מתוך רשימת כרטיסיות. בטקסט מקלידים עד 150 מילים, בוחרים דובר מתוך תפריט, מכוונים את מהירות הדיבור בין 0.5 ל־2 באמצעות סליידר, ומקבלים נגן עם קובץ אודיו מוכן והודעת מערכת. יש גם אפשרות למתקדמים להשתמש ברשימת סמלים ייעודית.

בהמרות הקול מעלים קובץ אודיו באורך של עד 30 שניות. בהמרה הרגילה מגדירים גם את הדובר המקורי וגם את דובר היעד, ובהמרה הרכה בוחרים רק את דובר היעד. מאחורי הקלעים רץ מודל VITS המבוסס על SynthesizerTrn, עם עיבוד ספקטרוגרמות ב־PyTorch וספריית librosa לטעינת האודיו.

מתאים ל

• הקראת טקסט באנגלית ויפנית

  יצירת קובצי דיבור של דמויות מתוך טקסט קצר עם שליטה בקצב הדיבור.

• החלפת קול בהקלטה קיימת

  העלאת קובץ שמע של עד חצי דקה והמרת גוון הקול לדמות שנבחרה מראש.

• בדיקת מודל VITS מקומית

  התנסות ביכולות המודל והשוואה בין המרה רגילה ל־Soft Voice Conversion.

איפה זה נופל

ההגבלות בממשק קשיחות: אי אפשר להזין יותר מ־150 מילים בטקסט, ואי אפשר להעלות קובצי קול שאורכם עולה על 30 שניות. המודלים אומנו על מאגרי קולות וטקסטים של דמויות אנימה, כך שאין כאן תמיכה בעברית או במגוון רחב של שפות וקולות מחוץ לרשימה המובנית.

איך משתמשים

לוחצים על כפתור Generate להפקת דיבור או על Convert להמרת קובץ קול, בלי צורך בחשבון או בהתחברות. היישום רץ על שרת במפרט cpu-upgrade ללא מאיץ גרפי ייעודי, כך שעיבוד של קובצי אודיו או פסקאות ארוכות ידרוש המתנה של מספר שניות עד עשרות שניות, במיוחד אם יש משתמשים נוספים בעמוד.

הרישיון

הקוד פתוח תחת רישיון MIT, שמאפשר שימוש חופשי, שינוי והפצה. קובצי הקול שאתם מעלים והאודיו שנוצר מעובדים בשרת של Hugging Face, ואין בתיעוד פירוט לגבי שמירה או מחיקה שלהם מעבר לקוד שמשתמש בספריות זמניות.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש

הרישיון המלא ב־Hugging Face ↗