VoxCPM
टोकनज़र-मुक्त टेक्स्ट-टू-स्पीच सिस्टम जो 48kHz बहुभाषी ऑडियो, वॉयस डिज़ाइन और वॉयस क्लोनिंग जनरेट करता है।
ज़ीरो-शॉट वॉयस डिज़ाइन और ज़ीरो-शॉट क्लोनिंग के साथ 30 भाषाओं में उच्च-निष्ठा 48kHz स्पीच जनरेट करें।
VoxCPM एक ओपन-सोर्स टेक्स्ट-टू-स्पीच सिस्टम है जिसे लिखित टेक्स्ट को प्राकृतिक बहुभाषी ऑडियो में बदलने के लिए डिज़ाइन किया गया है। आप टेक्स्ट प्रॉम्प्ट से कस्टम आवाज़ें जनरेट कर सकते हैं या छोटे ऑडियो सैंपल से मौजूदा आवाज़ों को क्लोन कर सकते हैं। यह वॉयस सेफ्टी अलर्ट, स्वचालित साइट ब्रीफिंग सिस्टम या ट्रेनिंग नैरेटिव बनाने वाली इंजीनियरिंग टीमों के लिए उपयुक्त है।
यह क्या है
VoxCPM बिना डिस्क्रीट टोकनइज़ेशन के डिफ्यूजन ऑटोरेग्रेसिव आर्किटेक्चर के माध्यम से सीधे निरंतर स्पीच प्रतिनिधित्व जनरेट करता है। यह 30 भाषाओं में 48kHz स्टूडियो-गुणवत्ता वाला ऑडियो तैयार करता है, प्राकृतिक भाषा के विवरण से आवाज़ बनाने का समर्थन करता है, और प्रॉम्प्ट मार्गदर्शन के साथ वॉयस क्लोनिंग निष्पादित करता है।
किसके लिए
निर्माण क्षेत्र के अलर्ट, कर्मचारी सुरक्षा प्रसारण, या बहु-भाषा प्रशिक्षण वीडियो के लिए यदि आपको सेल्फ-होस्टेड, ऑफ़लाइन वॉयस जनरेशन की आवश्यकता है, तो आपको VoxCPM का उपयोग करना चाहिए। यदि आपके पास GPU बुनियादी ढांचा नहीं है या आपको टर्नकी गैर-तकनीकी डेस्कटॉप ऐप की आवश्यकता है, तो यह उपयुक्त नहीं है।
मुख्य विशेषताएँ
Tokenizer-Free Audio Generation
एंड-टू-एंड डिफ्यूजन ऑटोरेग्रेसिव आर्किटेक्चर का उपयोग करके सीधे निरंतर स्पीच जनरेट करता है।
Natural Language Voice Design
आयु, टोन, भावना और गति निर्दिष्ट करने वाले केवल टेक्स्ट विवरण के आधार पर कस्टम आवाज़ें बनाता है।
High Resolution Audio Output
अलग बाहरी अपसैंपलर की आवश्यकता के बिना मूल 48kHz स्टूडियो ऑडियो आउटपुट देता है।
Flexible Deployment Engine
llama.cpp-omni के माध्यम से OpenAI-संगत vLLM-Omni सर्वर या C++ एज इंजन पर चलता है।
3 चरणों में तैयार
हमारा ईमानदार फैसला
क्या अच्छा है
- अतिरिक्त अपसैंपलिंग टूल के बिना 16kHz संदर्भ क्लिप से सीधे मूल 48kHz ऑडियो आउटपुट देता है।
- कई क्षेत्रीय बोलियों के साथ 30 प्राथमिक भाषाओं का समर्थन करता है।
- स्थानीय हार्डवेयर के लिए GGUF क्वांटाइजेशन के साथ C++ एज डिप्लॉयमेंट विकल्प प्रदान करता है।
- संदर्भ ऑडियो फ़ाइलों के बिना साधारण टेक्स्ट प्रॉम्प्ट से पूर्ण वॉयस निर्माण प्रदान करता है।
कहाँ कमी है
- कम विलंबता प्राप्त करने के लिए उच्च-अंत NVIDIA GPU हार्डवेयर या विशिष्ट स्थानीय C++ संकलन की आवश्यकता होती है।
- बहु-गीगाबाइट BaseLM और Acoustic वजन फ़ाइलों में मैन्युअल मॉडल डाउनलोड की आवश्यकता होती है।
- GUI प्रदान करने के बजाय CLI, Python API, या vLLM डिप्लॉयमेंट के साथ तकनीकी विशेषज्ञता की मांग करता है।
मूल्य & लाइसेंस
Apache-2.0 लाइसेंस के तहत VoxCPM डाउनलोड और उपयोग करने के लिए मुफ़्त है। आपका एकमात्र खर्च होस्टिंग, हार्डवेयर निष्पादन और GPU सर्वर बुनियादी ढांचे से आता है।
हिंदी बोलने वालों के लिए जॉब्स
876 खुले रिमोट AI-ट्रेनिंग रोल, 15 नवंबर 2026 को अपडेट; ज़्यादातर में $20–$170 प्रति घंटा। इनमें से 5 हिंदी बोलने वालों के लिए हैं। Zekai इन्हें मुफ़्त में लिस्ट करता है; आवेदन एम्प्लॉयर के प्लेटफ़ॉर्म पर जाता है।
विकल्प
इसे उपयोग करें, या हमसे सेट करवाएं
सामान्य प्रश्न
Can I run VoxCPM locally without an internet connection?
हाँ, आप डाउनलोड किए गए मॉडल वेट को स्थानीय Python स्क्रिप्ट में लोड कर सकते हैं या CPU या GPU पर llama.cpp-omni के माध्यम से ऑफ़लाइन चला सकते हैं।
Does VoxCPM require transcript files to clone a voice?
मानक नियंत्रणीय क्लोनिंग के लिए केवल एक संदर्भ ऑडियो क्लिप की आवश्यकता होती है, हालांकि ट्रांसक्रिप्ट प्रदान करने से पूर्ण विवरण मिलान सक्षम होता है।
