اوپن سورس۔ نئے امکانات۔

وکس سی پی ایم 2 ٹوکنائزر سے پاک ٹیکسٹ ٹو اسپیچ سسٹم ہے جس میں 2 بلین ڈفیوژن آٹو ریگریسو ماڈل 30 زبانوں، ٹیکسٹ تفصیلات سے وائس ڈیزائن، قابل کنٹرول وائس کلوننگ اور 48 کلو ہرٹز آؤٹ پٹ کو سپورٹ کرتا ہے۔

NVIDIA NeMo Speech ایک Apache-2.0 PyTorch فریم ورک ہے جو تقریری AI ماڈلز کی تعمیر، تخصیص اور تعیناتی کے لیے ہے، جس میں خودکار تقریر کی شناخت، متن سے تقریر اور تقریری LLMs شامل ہیں، پہلے سے تربیت یافتہ چیک پوائنٹس اور Docker/uv انسٹال کے راستوں کے ساتھ۔

FunTTS ایک متحد انٹرفیس والی ٹیکسٹ ٹو اسپیچ لائبریری ہے جو متعدد اوپن سورس TTS انجنوں کے درمیان ہموار تبدیلی کی حمایت کرتی ہے، اور سب ٹائٹل جنریشن، کثیر کردار مکالمے اور غیر ہم آہنگ پروسیسنگ جیسی خصوصیات فراہم کرتی ہے۔

Spīch Tō Spīch ek kam-lik̲s̲nat, mahādālīk aʼwāz-āgent paimanā (VAD → STT → LLM → TTS) hai jo WebSocket aur WebRTC par OpenAI Realtime ēvent set kā kāryānvayan kartā hai.