ឧបករណ៍ក្លូនសំឡេងនេះចម្លងសូរសំឡេងពីគំរូខ្លីមួយ។ ថត ឬផ្ទុកឡើងការនិយាយផ្ទាល់ខ្លួនរបស់អ្នក 5–20 វិនាទី វាយអ្វីដែលអ្នកចង់ឮ ហើយ AI នឹងនិយាយអត្ថបទនោះដោយសំឡេងដែលស្តាប់ទៅដូចអ្នក៖ កម្រិតសំឡេង សូរ និងសំនៀងដូចគ្នា។ វាប្រើ VoxCPM2 ដែលជាម៉ូដែលបើកចំហពី OpenBMB មាន 2 ពាន់លានប៉ារ៉ាម៉ែត្រ ដែលនិយាយបាន 30 ភាសា រួមទាំងអង់គ្លេស ខ្មែរ ចិន ថៃ វៀតណាម ជប៉ុន កូរ៉េ បារាំង និងអេស្ប៉ាញ ហើយបង្កើតសំឡេងច្បាស់ 48 kHz។
ខុសពីគេហទំព័រក្លូនសំឡេងផ្សេងទៀត គ្មានអ្វីត្រូវបានផ្ញើទៅម៉ាស៊ីនមេទេ។ ម៉ូដែលត្រូវបានទាញយកម្តង (ប្រហែល 1.75 GB) ហើយបន្ទាប់មកដំណើរការលើកាតក្រាហ្វិកផ្ទាល់ខ្លួនរបស់អ្នកតាមរយៈ WebGPU ក្នុងកម្មវិធីរុករក ដូច្នេះគំរូសំឡេង និងអត្ថបទរបស់អ្នកនៅលើឧបករណ៍របស់អ្នក។ គ្មានគណនី គ្មានប្រព័ន្ធក្រេឌីត និងគ្មាន watermark ទេ។ សូមប្រើវាដោយទទួលខុសត្រូវ៖ ក្លូនតែសំឡេងផ្ទាល់ខ្លួនរបស់អ្នក ឬសំឡេងដែលអ្នកមានការអនុញ្ញាតឱ្យប្រើប៉ុណ្ណោះ។
របៀបប្រើឧបករណ៍ ក្លូនសំឡេងដោយ AI
- អានកំណត់សម្គាល់ការយល់ព្រម បន្ទាប់មកចុច "ថតសំឡេងខ្ញុំ" ហើយនិយាយរយៈពេល 5–20 វិនាទី ឬផ្ទុកឡើងឃ្លីបច្បាស់របស់មនុស្សម្នាក់កំពុងនិយាយ។
- បើចង់ វាយពាក្យពិតប្រាកដនៃគំរូក្នុង "ប្រតិចារិក" ដើម្បីចម្លងបានជិតជាងមុន ហើយធីកប្រអប់បញ្ជាក់ថាវាជាសំឡេងរបស់អ្នក ឬអ្នកមានការអនុញ្ញាត។
- វាយអត្ថបទដែលសំឡេងក្លូនគួរនិយាយ។ អត្ថបទវែងត្រូវបានបំបែកជាប្រយោគដោយស្វ័យប្រវត្តិ។
- ជ្រើសគុណភាព ហើយចុច "ក្លូនសំឡេង និងនិយាយ"។ លើកដំបូង ម៉ូដែលនឹងទាញយក (ប្រហែល 1.75 GB) ហើយត្រូវបានរក្សាទុកក្នុងកម្មវិធីរុករករបស់អ្នក។
- ស្តាប់ពេលប្រយោគនីមួយៗរួចរាល់ បន្ទាប់មកទាញយកលទ្ធផលជា WAV ឬ MP3។
ហេតុអ្វីប្រើ ក្លូនសំឡេងដោយ AI របស់ ToolOrca
- ក្លូនភ្លាមៗពីគំរូ 5–20 វិនាទី៖ មិនចាំបាច់បង្ហាត់ មិនចាំបាច់រង់ចាំ
- ថតក្នុងកម្មវិធីរុករក ឬផ្ទុកឡើង WAV, MP3, M4A, OGG, WebM ឬវីដេអូ
- 30 ភាសា រួមទាំងខ្មែរ អង់គ្លេស ចិន ថៃ និងវៀតណាម
- ដំណើរការលើ GPU ផ្ទាល់ខ្លួនជាមួយ WebGPU៖ គ្មានការផ្ទុកឡើង គ្មានគណនី គ្មាន watermark
- ម៉ូដែលត្រូវបានរក្សាទុកបន្ទាប់ពីការចូលលើកដំបូង ដូច្នេះការដំណើរការលើកក្រោយចាប់ផ្តើមក្នុងប៉ុន្មានវិនាទី
- ជម្រើសការណែនាំរចនាប័ទ្ម ដូចជា "រីករាយ" ឬ "យឺតជាងនេះ"
- ប៊ូតុងបញ្ឈប់ ចាក់ផ្ទាល់តាមប្រយោគនីមួយៗ ទាញយក WAV និង MP3
តម្រូវការផ្នែករឹង
ការក្លូនសំឡេងត្រូវការ WebGPU ដែលមានស្រាប់ក្នុង Chrome និង Edge ថ្មីៗលើ Windows, macOS, ChromeOS និង Linux និងក្នុង Safari 26 លើ Mac និង iPad។ ម៉ូដែលត្រូវការអង្គចងចាំ GPU ទំនេរប្រហែល 2–3 GB៖ កុំព្យូទ័រដែលមានកាតក្រាហ្វិកដាច់ដោយឡែក (NVIDIA, AMD, Intel Arc) ឬ Mac Apple Silicon (M1 ឬថ្មីជាង) ដែលមានអង្គចងចាំ 8 GB ឬច្រើនជាងនេះ ដំណើរការល្អ ក្រាហ្វិករួមបញ្ចូលលើកុំព្យូទ័រយួរដៃថ្មីៗក៏ដំណើរការដែរ ប៉ុន្តែយឺតជាង។ ការចូលលើកដំបូងទាញយកប្រហែល 1.75 GB ដូច្នេះសូមប្រើ Wi-Fi។
ទូរស័ព្ទភាគច្រើនមិនទាន់ផ្តល់ WebGPU នៅឡើយទេ ហើយទូរស័ព្ទដែលមាន ជាធម្មតាមានអង្គចងចាំតិចពេកសម្រាប់ម៉ូដែល 2 ពាន់លានប៉ារ៉ាម៉ែត្រ ដូច្នេះសូមប្រើកុំព្យូទ័រសម្រាប់ការក្លូន។ ដោយគ្មាន WebGPU ឧបករណ៍អាចប្តូរទៅប្រើ CPU (WebAssembly) ប៉ុន្តែវាយឺតខ្លាំង៖ រំពឹងថាត្រូវការច្រើននាទីសម្រាប់ប្រយោគតែមួយ។
លើ GPU ល្បឿនអាស្រ័យលើកាត៖ កាតក្រាហ្វិកលឿន ឬបន្ទះឈីប Apple M-series បង្កើតសំឡេងប្រហែលពេលជាក់ស្តែង ឬលឿនជាងនេះជាមួយការកំណត់ "មធ្យម" ក្រាហ្វិករួមបញ្ចូលដែលយឺតជាង អាចត្រូវការពីរទៅបួនវិនាទីក្នុងមួយវិនាទីនៃសំឡេង។ ជ្រើសគុណភាព "លឿន" ដើម្បីកាត់បន្ថយពេលប្រហែលពាក់កណ្តាល។
របៀបទទួលបានការចម្លងដែលធម្មជាតិបំផុត
ថតក្នុងបន្ទប់ស្ងាត់ដែលគ្មានតន្ត្រី ឬសំឡេងបន្ទរ ចម្ងាយប្រហែលមួយបាតដៃពីមីក្រូហ្វូន ហើយនិយាយដោយធម្មជាតិជាភាសាដែលអ្នកចង់បង្កើត។ ប្រាំបីទៅដប់ប្រាំវិនាទីគឺល្អបំផុត មានតែ 12.8 វិនាទីដំបូងប៉ុណ្ណោះដែលត្រូវបានប្រើ។ ការវាយប្រតិចារិកពិតប្រាកដនៃគំរូ ប្តូរម៉ូដែលទៅរបៀប "បន្ត" ដែលចម្លងចង្វាក់ និងការបញ្ចេញសំឡេងបានជិតជាង។ រក្សាប្រយោគនៃអត្ថបទគោលដៅឱ្យខ្លីសមរម្យ ឧបករណ៍នឹងបំបែកអត្ថបទវែងឱ្យអ្នក។
ម៉ូដែលនិយាយប្រយោគនីមួយៗដាច់ដោយឡែក ដូច្នេះសំឡេងអាចខុសគ្នាបន្តិចរវាងប្រយោគ ហើយលេខ ឬឈ្មោះមិនធម្មតាពេលខ្លះត្រូវបានអានខុស៖ សរសេរលេខជាពាក្យ ប្រសិនបើប្រយោគមួយចេញមកខុស ហើយបង្កើតវាម្តងទៀត (ការដំណើរការនីមួយៗខុសគ្នាបន្តិច)។
ប្រើការក្លូនសំឡេងដោយទទួលខុសត្រូវ
ការក្លូនសំឡេងរបស់នរណាម្នាក់ដោយគ្មានការអនុញ្ញាត អាចខុសច្បាប់ និងអាចធ្វើឱ្យមនុស្សរងគ្រោះ។ ក្លូនតែសំឡេងផ្ទាល់ខ្លួនរបស់អ្នក ឬសំឡេងដែលម្ចាស់បានយល់ព្រមយ៉ាងច្បាស់ប៉ុណ្ណោះ។ កុំប្រើសំឡេងក្លូនដើម្បីក្លែងខ្លួនជានរណាម្នាក់ បោកបញ្ឆោតមនុស្ស (ឧទាហរណ៍ក្នុងការហៅទូរស័ព្ទ ឬសារដែលសុំលុយ) ផ្សព្វផ្សាយសេចក្តីថ្លែងការណ៍មិនពិត ឬរំលងសុវត្ថិភាពដែលផ្អែកលើសំឡេង។ នៅពេលអ្នកផ្សព្វផ្សាយសំឡេងក្លូន សូមប្រាប់ថាវាត្រូវបានបង្កើតដោយ AI។
អំពីម៉ូដែល
VoxCPM2 គឺជាម៉ូដែល text-to-speech ប្រភេទ diffusion-autoregressive ដែលគ្មាន tokenizer ដោយ OpenBMB ចេញផ្សាយក្រោមអាជ្ញាប័ណ្ណ Apache 2.0។ ទំព័រនេះដំណើរការការនាំចេញ ONNX ដែល quantize 4-bit របស់វាជាមួយ ONNX Runtime Web រួមជាមួយ audio encoder ផ្ទាល់របស់ម៉ូដែល ដើម្បីអានគំរូរបស់អ្នក។ កំណែ quantize ជិតនឹងម៉ូដែលពេញលេញ ប៉ុន្តែមិនដូចគ្នាទាំងស្រុងទេ ពេលខ្លះវាអានលេខខុស។
សំណួរដែលសួរញឹកញាប់
តើសំឡេងរបស់ខ្ញុំត្រូវបានផ្ទុកឡើងទៅកន្លែងណាទេ?
ទេ។ ការថត ប្រតិចារិក និងអត្ថបទ ត្រូវបានដំណើរការលើឧបករណ៍ផ្ទាល់ខ្លួនរបស់អ្នក។ មានតែឯកសារម៉ូដែលប៉ុណ្ណោះដែលត្រូវបានទាញយក (ពី Hugging Face) ហើយរក្សាទុកក្នុងទំហំផ្ទុករបស់កម្មវិធីរុករករបស់អ្នក។
តើវាអាចក្លូនសំឡេងជាភាសាខ្មែរបានទេ?
បាន។ VoxCPM2 គាំទ្រ 30 ភាសា រួមទាំង ខ្មែរ ថៃ ឡាវ ភូមា វៀតណាម ចិន អង់គ្លេស ជប៉ុន និងកូរ៉េ។ ថតគំរូរបស់អ្នកជាភាសាដែលអ្នកចង់បាន ហើយវាយអត្ថបទជាភាសានោះ។
តើការក្លូនសំឡេងស្របច្បាប់ទេ?
ការក្លូនសំឡេងផ្ទាល់ខ្លួនរបស់អ្នក ឬសំឡេងដែលម្ចាស់បានអនុញ្ញាត គឺមិនអីទេ។ ការក្លូនអ្នកដទៃដោយគ្មានការយល់ព្រម ការក្លែងខ្លួនជាមនុស្ស ឬការប្រើសំឡេងក្លូនដើម្បីបោកបញ្ឆោត អាចខុសច្បាប់។ សូមអានកំណត់សម្គាល់ការយល់ព្រមនៅជាប់ប៊ូតុងថត។
ហេតុអ្វីវាមិនដំណើរការលើទូរស័ព្ទរបស់ខ្ញុំ?
ម៉ូដែលត្រូវការ WebGPU និងអង្គចងចាំក្រាហ្វិកប្រហែល 2–3 GB។ ទូរស័ព្ទភាគច្រើនខ្វះ WebGPU ឬអង្គចងចាំគ្រប់គ្រាន់។ សូមប្រើ Chrome ឬ Edge លើកុំព្យូទ័រ ឬ Safari 26 លើ Mac។
ហេតុអ្វីការដំណើរការលើកដំបូងយឺត?
លើកដំបូង កម្មវិធីរុករករបស់អ្នកទាញយកម៉ូដែល (ប្រហែល 1.75 GB) ហើយរៀបចំវាសម្រាប់ GPU របស់អ្នក។ វាត្រូវបានរក្សាទុក ដូច្នេះការចូលលើកក្រោយរំលងការទាញយក ហើយចាប់ផ្តើមលឿនជាងច្រើន។