ओपन फाउंडेशन मॉडल का उपयोग करके टेक्स्ट संकेतों या वीडियो अनुक्रमों से ध्वनि प्रभाव उत्पन्न और डिकोड करता है।
ऑडियो एन्कोडिंग, टेक्स्ट-संचालित ध्वनि प्रभावों और वीडियो-सिंक्ड ऑडियो के लिए Sony AI के ओपन फाउंडेशन मॉडल।
Woosh टेक्स्ट-टू-ऑडियो और वीडियो-to-ऑडियो सिंथेसिस के लिए Sony AI द्वारा निर्मित एक साउंड इफ़ेक्ट फ़ाउंडेशन टूलकिट है। यह साउंड डिज़ाइनर और गेम डेवलपर्स के लिए ऑडियो एनकोडर और डिकोडर के साथ-साथ लेटेंट डिफ्यूजन मॉडल प्रदान करता है। आप इन्फरेन्स स्क्रिप्ट चला सकते हैं, स्थानीय ब्राउज़र इंटरफ़ेस लॉन्च कर सकते हैं, या API सर्वर के माध्यम से कस्टम पाइपलाइन में जनरेशन को एकीकृत कर सकते हैं।
यह रिपॉजिटरी लेटेंट ऑडियो एन्कोडिंग के लिए Woosh-AE, टेक्स्ट कंडीशनिंग के लिए Woosh-CLAP, और Woosh-Flow तथा Woosh-VFlow जैसे लेटेंट डिफ्यूजन मॉडल सहित मॉडल का एक सूट प्रदान करती है। यह वर्णनात्मक टेक्स्ट संकेतों से सीधे ऑडियो सिंथेसाइज़ करती है या जेनरेट किए गए ऑडियो को इनपुट वीडियो फ़ाइलों के साथ संरेखित करती है। आप uv एनवायरनमेंट मैनेजर का उपयोग करके Python स्क्रिप्ट के माध्यम से टूल का प्रबंधन और निष्पादन करते हैं।
यह गेम डेवलपर्स, तकनीकी साउंड डिज़ाइनर और AI ऑडियो शोधकर्ताओं के लिए उपयुक्त है जो स्थानीय स्तर पर मूल ऑडियो संपत्तियां उत्पन्न करना चाहते हैं। यह गैर-तकनीकी रचनाकारों के लिए कम उपयुक्त है जिन्हें तैयार डिजिटल ऑडियो वर्कस्टेशन प्लगइन या तत्काल वाणिज्यिक अधिकारों की आवश्यकता है।
मानक और डिस्टिल्ड डिफ्यूजन मॉडल का उपयोग करके टेक्स्ट विवरण से सीधे कस्टम ध्वनि प्रभाव सिंथेसाइज़ करता है।
मल्टीमॉडल लेटेंट डिफ्यूजन का उपयोग करके इनपुट वीडियो अनुक्रमों के साथ संरेखित ऑडियो ट्रैक बनाता है।
कच्चे ऑडियो को न्यूरल लेटेंट में संपीड़ित करता है और Woosh-AE के साथ उच्च-गुणवत्ता वाले वेवफ़ॉर्म को पुनर्निर्माण करता है।
अपने स्थानीय ब्राउज़र में टेक्स्ट-टू-साउंड जनरेशन का परीक्षण करने के लिए वेब-आधारित उपयोगकर्ता इंटरफ़ेस प्रदान करता है।
सोर्स कोड MIT और Apache-2.0 लाइसेंस के तहत मुफ़्त और ओपन है। हालाँकि, प्री-ट्रेन किए गए मॉडल वेट्स एक गैर-वाणिज्यिक CC-BY-NC लाइसेंस का उपयोग करते हैं। प्रोजेक्ट को चलाने के लिए आपके अपने स्थानीय GPU कंप्यूट हार्डवेयर की आवश्यकता होती है।
896 खुले रिमोट AI-ट्रेनिंग रोल, 16 नवंबर 2026 को अपडेट; ज़्यादातर में $20–$175 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।
ये समीक्षित AI टूल यही काम तुरंत करते हैं — हमारी स्कोर की गई डायरेक्टरी से।
रिपॉजिटरी सोर्स कोड Apache-2.0 और MIT लाइसेंस का उपयोग करता है, लेकिन GitHub रिलीज़ पर प्रदान किए गए ओपन मॉडल वेट्स CC-BY-NC के तहत लाइसेंस प्राप्त हैं, जो अलग व्यवस्था के बिना कमर्शियल उपयोग को प्रतिबंधित करते हैं।
नहीं। एक बार जब आप डिपेंडेंसी इंस्टॉल कर लेते हैं और मॉडल चेकपॉइंट को स्थानीय रूप से डाउनलोड कर लेते हैं, तो सभी ऑडियो जनरेशन ऑफ़लाइन चलते हैं।
Google में Zekai को सबसे पहले देखें