បង្កើតសំឡេងបញ្ចូលដែលស្តាប់ទៅធម្មជាតិ ជាមួយម៉ូដែល AI បើកចំហដែលដំណើរការក្នុងកម្មវិធីរុករកបណ្តាញរបស់អ្នក។ ជ្រើស VoxCPM2 សម្រាប់ 30 ភាសា រួមទាំងខ្មែរ ថៃ វៀតណាម ចិន និងអង់គ្លេស ហើយពិពណ៌នាសំឡេងដែលអ្នកចង់បាន ("បុរសវ័យកណ្តាលស្ងប់ស្ងាត់ សំឡេងធ្ងន់") ឬជ្រើស Kokoro ដែលជាម៉ូដែលអង់គ្លេសតូច និងលឿន ជាមួយសំឡេងអាមេរិក និងអង់គ្លេសដែលរៀបចំរួចប្រាំបួន។ ទាញយកលទ្ធផលជាឯកសារ WAV ឬ MP3 សម្រាប់វីដេអូ បទបង្ហាញ មេរៀន ឬ podcast។
អ្វីៗទាំងអស់ត្រូវបានបង្កើតលើឧបករណ៍ផ្ទាល់ខ្លួនរបស់អ្នក៖ អត្ថបទមិនដែលចាកចេញពីកុំព្យូទ័ររបស់អ្នក ហើយគ្មានគណនី ដែនកំណត់តួអក្សរក្នុងមួយខែ ឬ watermark ទេ។ ម៉ូដែលទាញយកម្តង ហើយត្រូវបានរក្សាទុកក្នុងកម្មវិធីរុករករបស់អ្នក។ សម្រាប់សំឡេងសាមញ្ញដែលមានស្រាប់ក្នុងប្រព័ន្ធរបស់អ្នក សូមប្រើ កម្មវិធីអានអត្ថបទទៅជាសំឡេង បុរាណ ដើម្បីនិយាយដោយសំឡេងផ្ទាល់ខ្លួនរបស់អ្នក សូមសាកល្បង ក្លូនសំឡេងដោយ AI។
របៀបប្រើឧបករណ៍ AI បំប្លែងអត្ថបទទៅជាសំឡេង
- វាយ ឬបិទភ្ជាប់អត្ថបទរបស់អ្នក (រហូតដល់ 5,000 តួអក្សរ)។ វាត្រូវបានបំបែកជាប្រយោគដោយស្វ័យប្រវត្តិ។
- ជ្រើសម៉ូដែល៖ VoxCPM2 (ច្រើនភាសា ត្រូវការ GPU) ឬ Kokoro (អង់គ្លេស ដំណើរការលើកុំព្យូទ័រណាក៏បាន)។
- សម្រាប់ VoxCPM2 បើចង់ ពិពណ៌នាសំឡេង សម្រាប់ Kokoro ជ្រើសសំឡេង និងល្បឿន។
- ចុច "បង្កើតសំឡេង"។ ម៉ូដែលទាញយកលើកដំបូង ហើយត្រូវបានរក្សាទុកសម្រាប់លើកក្រោយ។
- ស្តាប់ពេលប្រយោគនីមួយៗរួចរាល់ បន្ទាប់មកទាញយក WAV ឬ MP3។
ហេតុអ្វីប្រើ AI បំប្លែងអត្ថបទទៅជាសំឡេង របស់ ToolOrca
- ម៉ូដែលបើកចំហពីរ៖ VoxCPM2 (30 ភាសា, 48 kHz) និង Kokoro-82M (អង់គ្លេស, 24 kHz)
- ខ្មែរ ថៃ វៀតណាម ចិន ជប៉ុន កូរ៉េ និងច្រើនទៀតជាមួយ VoxCPM2
- រចនាសំឡេងពីការពិពណ៌នាខ្លី ឬរក្សាសំឡេងតែមួយសម្រាប់អត្ថបទទាំងមូល
- ដំណើរការលើ GPU របស់អ្នកជាមួយ WebGPU, Kokoro ក៏ដំណើរការលើ CPU ដែរ
- ចាក់ផ្ទាល់ ប៊ូតុងបញ្ឈប់ ទាញយក WAV និង MP3
- គ្មានការផ្ទុកឡើង គ្មានការចុះឈ្មោះ គ្មាន watermark
តម្រូវការផ្នែករឹង
VoxCPM2 ត្រូវការ WebGPU (Chrome ឬ Edge ថ្មីៗលើកុំព្យូទ័រ ឬ Safari 26 លើ Mac) និងអង្គចងចាំ GPU ទំនេរប្រហែល 2–3 GB ការដំណើរការលើកដំបូងទាញយកប្រហែល 1.6 GB (បូក 190 MB សម្រាប់ការចាក់សោសំឡេង)។ Mac Apple Silicon ឬកុំព្យូទ័រដែលមានកាតក្រាហ្វិក បង្កើតសំឡេងប្រហែលពេលជាក់ស្តែង ដោយគ្មាន WebGPU វាយឺតពេក។
Kokoro មានត្រឹមតែ 82 លានប៉ារ៉ាម៉ែត្រ៖ វាទាញយកប្រហែល 90 MB សម្រាប់ CPU ឬ 330 MB សម្រាប់ GPU ហើយដំណើរការលើកុំព្យូទ័រស្ទើរតែទាំងអស់ និងលើទូរស័ព្ទជាច្រើន ទោះគ្មាន WebGPU ក៏ដោយ លឿនជាងពេលជាក់ស្តែងច្រើនដងលើ GPU។
តើខ្ញុំគួរប្រើម៉ូដែលណា?
ប្រើ Kokoro សម្រាប់អង់គ្លេស នៅពេលអ្នកចង់បានល្បឿន និងសំឡេងស្អាតស្ថិរភាព។ ប្រើ VoxCPM2 សម្រាប់ភាសាផ្សេងទៀតទាំងអស់ ជាពិសេសខ្មែរ និងភាសាអាស៊ីអាគ្នេយ៍ផ្សេងទៀត ឬនៅពេលអ្នកចង់រចនាសំឡេងពីការពិពណ៌នា។ VoxCPM2 ជ្រើសសំឡេងថ្មីសម្រាប់ការដំណើរការនីមួយៗ លុះត្រាតែអ្នកពិពណ៌នាមួយ សូមទុក "រក្សាសំឡេងដដែលសម្រាប់គ្រប់ប្រយោគ" ឱ្យបើក ដើម្បីឱ្យអត្ថបទវែងនៅតែមួយសំឡេង។
គន្លឹះ៖ សរសេរលេខ និងអក្សរកាត់ជាពាក្យ ដើម្បីឱ្យការអានគួរឱ្យទុកចិត្តបំផុត រក្សាប្រយោគឱ្យខ្លីល្មម ហើយបង្កើតម្តងទៀត ប្រសិនបើប្រយោគមួយស្តាប់ទៅចម្លែក ព្រោះការដំណើរការនីមួយៗខុសគ្នាបន្តិច។
សំណួរដែលសួរញឹកញាប់
តើវាគាំទ្រការបំប្លែងអត្ថបទខ្មែរទៅជាសំឡេងទេ?
គាំទ្រ។ ជ្រើសម៉ូដែល VoxCPM2 ហើយវាយអត្ថបទខ្មែរ។ វាក៏និយាយភាសាថៃ ឡាវ ភូមា វៀតណាម ចិន ជប៉ុន កូរ៉េ អង់គ្លេស និងប្រហែល 20 ភាសាទៀត។
តើអត្ថបទរបស់ខ្ញុំត្រូវបានផ្ញើទៅម៉ាស៊ីនមេទេ?
ទេ។ ម៉ូដែល AI ដំណើរការក្នុងកម្មវិធីរុករកលើឧបករណ៍ផ្ទាល់ខ្លួនរបស់អ្នក។ មានតែឯកសារម៉ូដែលទេដែលត្រូវបានទាញយកពី Hugging Face ម្តង ហើយរក្សាទុកក្នុងកម្មវិធីរុករករបស់អ្នក។
តើខ្ញុំអាចប្រើសំឡេងក្នុងវីដេអូរបស់ខ្ញុំបានទេ?
ម៉ូដែលទាំងពីរត្រូវបានចេញផ្សាយក្រោមអាជ្ញាប័ណ្ណ Apache 2.0 ហើយសំឡេងដែលអ្នកបង្កើតជារបស់អ្នកសម្រាប់ប្រើ រួមទាំងក្នុងវីដេអូពាណិជ្ជកម្ម។ កុំប្រើវាដើម្បីក្លែងខ្លួនជាមនុស្សពិត។
ហេតុអ្វី VoxCPM2 មិនមាននៅលើទូរស័ព្ទរបស់ខ្ញុំ?
វាត្រូវការ WebGPU និងអង្គចងចាំក្រាហ្វិកច្រើនជីហ្គាបៃ ដែលទូរស័ព្ទភាគច្រើនមិនទាន់មាន។ ប្រើម៉ូដែល Kokoro លើទូរស័ព្ទ ឬកុំព្យូទ័រសម្រាប់ VoxCPM2។
តើវាខុសពីឧបករណ៍អត្ថបទទៅជាសំឡេងធម្មតាយ៉ាងដូចម្តេច?
ឧបករណ៍ អត្ថបទទៅជាសំឡេង អានអត្ថបទជាមួយសំឡេងដែលមានស្រាប់ក្នុងប្រព័ន្ធប្រតិបត្តិការរបស់អ្នក ហើយមិនអាចរក្សាទុកឯកសារបានទេ។ ទំព័រនេះប្រើម៉ូដែល AI បណ្តាញប្រសាទ សម្រាប់សំឡេងធម្មជាតិជាងមុន ហើយអនុញ្ញាតឱ្យអ្នកទាញយក WAV ឬ MP3។