Audio8 TTS

এই টুল পেজ এখনো অনুবাদ হয়নি। নিচে ইংরেজিতে চলবে। ইংরেজিতে ব্যবহার করুন

Your text

0 / 500
Model not loaded on this device yet.

Speech model

Audio8 TTS Preview Runs on your device

Open-source 0.6B DualAR model with 44.1 kHz output. Generation happens locally; your text never leaves this page.

Audio8 follows the written text; it has no hidden language-ID input. This selection sets writing guidance and accessibility metadata.

0.7

Lower values sound steadier, higher ones add variation. 0.7 matches the official default.

Model weights: Audio8/Audio8-TTS-Preview-0.6B-ONNX-INT4, Apache 2.0. Weights stream from the Hugging Face CDN straight into your browser cache.
The quick answer

Audio8 TTS একটি ওপেন-সোর্স 0.6B স্পিচ মডেল, যাতে ১১টি প্রস্তাবিত ভাষা এবং 44.1 kHz আউটপুট আছে। এই পেজ প্রায় 572 MiB মডেল ফাইল ক্যাশ করে, প্রথমে নেটিভ WebGPU চেষ্টা করে, তারপর মাল্টি-থ্রেড CPU ব্যবহার করে। আপনার টেক্সট আর তৈরি হওয়া অডিও আপনার ডিভাইসেই থাকে।

চারটি ধাপ

ব্রাউজারে Audio8 TTS ব্যবহারের নিয়ম

  1. 01

    ডেস্কটপে এই পেজটি খুলুন

    টুলটি সরাসরি ব্রাউজারে লোড হয়। কোনো অ্যাকাউন্ট, ইনস্টল বা API কী লাগবে না। ফোন বা ট্যাবলেটে এটি কাজ করবে না, মডেলটির জন্য PC বা Mac হার্ডওয়্যার দরকার।

  2. 02

    একবার ওয়েটস ডাউনলোড হতে দিন

    প্রথমবার Generate চাপলে Hugging Face CDN থেকে প্রায় 572 MiB INT4 মডেল ফাইল ডাউনলোড হয়। ব্রাউজার এগুলো ক্যাশ করে রাখে, তাই পরের বার নেটওয়ার্ক ডাউনলোড লাগবে না।

  3. 03

    ভাষা ও ভয়েস বেছে নিন

    ১১টি প্রস্তাবিত ভাষার একটি বেছে নিন। Audio8 ভাষা কোড নয়, লেখাটিকেই অনুসরণ করে, তাই যে ভাষায় শুনতে চান সেই ভাষার টেক্সট পেস্ট করুন।

  4. 04

    শুনুন এবং ডাউনলোড করুন

    স্মুথ ফাইনাল রেজাল্টের জন্য অপেক্ষা করুন, অথবা অপশনাল লাইভ প্রিভিউ চালু করে প্রভিসিওনাল চাঙ্কস শুনুন। ব্রাউজারের ভেতরেই লসলেস 44.1 kHz WAV সেভ করুন বা MP3-তে কনভার্ট করুন।

Best practices

Audio8 প্রিভিউ থেকে ভালো আউটপুট পাওয়ার উপায়

ছোট ছোট অভ্যাসই ডেমো-গ্রেড ক্লিপ এবং পাবলিশ করার মতো কন্টেন্টের মধ্যে পার্থক্য সৃষ্টি করে। অটোরিগ্রেসিভ মডেলের ক্ষেত্রে এই ছয়টি বিষয় সবচেয়ে গুরুত্বপূর্ণ।

  • 01

    মডেল শেখার সময় রিকোয়েস্ট ছোট রাখুন

    সেরা কোয়ালিটির জন্য আপস্ট্রিম রানটাইম প্রায় ১৫০ অক্ষর সুপারিশ করে। একবারে একটি করে বাক্য জেনারেট করুন, তারপর দীর্ঘ স্ক্রিপ্টের জন্য WAV ফাইলগুলো জোড়া লাগান।

  • 02

    যেভাবে উচ্চারণ চান, সেভাবে পাক্টুয়েশন লিখুন

    কমা দিয়ে ছোট বিরতি, পিরিয়ড দিয়ে বড় বিরতি, এবং এলিপসিস দিয়ে দীর্ঘ বিরতি পাওয়া যায়। DualAR মডেল এগুলোকে ডেলিভারি কিউ হিসেবে পড়ে, তাই যদি লাইনটি ফ্ল্যাট লাগে, তবে হয়তো শুধু একটি কমা দিলেই হবে।

  • 03

    সাম্পল ড্রিফট করলে ক্রিয়েটিভিটি কমান

    ক্রিয়েটিভিটি স্লাইডারটি স্যাম্পলিং টেম্পারেচার সেট করে। 0.7-তে আপনি অফিসিয়াল ডিফল্ট ব্যালেন্স পাবেন। যদি দীর্ঘ শব্দে ওয়ার্বলিং হয় বা কোনো সিলেবল বারবার পুনরাবৃত্তি হয়, তবে এটি 0.5-এর কাছাকাছি নিয়ে আসুন এবং আবার জেনারেট করুন।

  • 04

    ভাষা মিলিয়ে, কঠিন শব্দগুলো স্পষ্ট করে লিখুন

    প্রাচুরের (acronym) অক্ষরের মাঝে বিন্দু দিলে উচ্চারণ ভালো হয়, যেমন N.A.S.A.। অস্বাভাবিক নামগুলো উচ্চারণ অনুযায়ী লিখলে ভালো শোনায়। আগে কঠিন শব্দটি আলাদা করে টেস্ট করুন, বানান ঠিক করুন, তারপর পুরো অংশটি চালান।

  • 05

    Chrome বা Edge-এ GPU ব্যবহার করা যায়

    বর্তমান Chrome এবং Edge-এ FP16 সাপোর্টসহ নেটিভ WebGPU টেস্ট করা হয়েছে। যদি তিনটি মডেল প্রোব পাস না করে, তবে টুলটি স্বয়ংক্রিয়ভাবে থ্রেডেড WebAssembly CPU ব্যাকএন্ড দিয়ে পুনর্নির্মাণ করবে।

  • 06

    WAV ডাউনলোড করুন, পরে কনভার্ট করুন

    WAV ফাইলে সম্পাদক এবং DAW-এর জন্য পূর্ণ 44.1 kHz সিগন্যাল থাকে। শুধুমাত্র যখন ফাইলের সাইজ হেডরুমের চেয়ে বেশি গুরুত্বপূর্ণ, তখনই MP3 বাটন ব্যবহার করুন।

Honest comparison

Audio8 TTS বনাম Kokoro

আমরা সাইটের বাকি অংশে Kokoro ব্যবহার করি, তাই এখানে একটি সৎ অভ্যন্তরীণ তুলনা: কোন মডেল কোথায় এগিয়ে, এবং কেন দুটোই জায়গা দখল করে।

যেখানে চলে

FreeTextoSpeech

সম্মিলিত Chrome/Edge ডিভাইসে নেটিভ WebGPU, সাথে থ্রেডেড CPU/WebAssembly ফলব্যাক।

Kokoro (আমাদের মূল টুল)

ব্রাউজার-ইঞ্জিন, ডাউনলোডে প্রায় 300 MB হালকা।

আউটপুটের মান

FreeTextoSpeech

44.1 kHz নিউরাল কোডেক আউটপুট, প্রাণবন্ত প্রসডি।

Kokoro (আমাদের মূল টুল)

24 kHz আউটপুট, এর সাইজের জন্য খুবই স্বাভাবিক ন্যারেশন।

ভাষা কভারেজ

FreeTextoSpeech

কোরিয়ান, জার্মান, ডাচ, পোলিশ এবং ক্যান্টোনিজসহ ১১টি ভাষা।

Kokoro (আমাদের মূল টুল)

ইংরেজি, ইউরোপীয় ভাষা, হিন্দি, জাপানি, ম্যান্ডারিন এবং পোর্টুগিজিসহ ৯টি ভাষা।

সাধারণ ল্যাপটপে গতি

FreeTextoSpeech

ধীর: একটি AR মডেল যা প্রতি সেকেন্ডে প্রায় 21.5 ফ্রেম অডিও তৈরি করে।

Kokoro (আমাদের মূল টুল)

অনেক দ্রুত, বেশিরভাগ মেশিনে রিয়েল টাইমের কাছাকাছি।

প্রথমবারের ডাউনলোড

FreeTextoSpeech

প্রায় 572 MiB, সাথে ঐচ্ছিক 396 MiB ভয়েস এনকোডার।

Kokoro (আমাদের মূল টুল)

পূর্ণ প্রিসিশনে কয়েক শতাংশ MB।

প্রাপ্তবয়স্কতা

FreeTextoSpeech

সীমিত ডায়ালেক্ট সাপোর্টসহ প্রিভিউ রিলিজ।

Kokoro (আমাদের মূল টুল)

সাইটজুড়ে ব্যবহৃত স্টেবল v1.0 মডেল।

দুটি মডেলই Apache 2.0 ওপেন সোর্স। সংখ্যাগুলো বর্তমান পাবলিক রিলিজ Audio8-TTS-Preview-0.6b এবং Kokoro-82M-v1.0-এর।

FAQ

Frequently asked questions

01

Audio8 TTS কী?

Audio8 TTS হলো Audio8 টিমের একটি ওপেন-সোর্স টেক্সট-টু-স্পিচ মডেল পরিবার। বর্তমান প্রিভিউ Audio8-TTS-Preview-0.6b, Fish Audio S2 Pro-অনুপ্রাণিত DualAR আর্কিটেকচারে ৬০.১ কোটি প্যারামিটার ধারণ করে। এটি ১১টি ভাষায় কথা বলে, এবং কোড ও ওয়েট দুটোই Apache 2.0 লাইসেন্সে প্রকাশিত।
02

Audio8-TTS-Preview-0.6b ব্যবহার করা কি বিনামূল্যে?

হ্যাঁ। মডেলটি Apache 2.0 লাইসেন্সে, তাই রয়্যালটি ছাড়াই বাণিজ্যিক ব্যবহার করা যায়। এই পেজটি আপনার ডিভাইসে চলে, তাই আমাদের পক্ষ থেকে কোনো ব্যবহারের সীমা নেই। অ্যাট্রিবিউশন বিবরণের জন্য অফিসিয়াল রিপোজিটরির NOTICE ফাইল দেখুন।
03

আমার টেক্সট কোথাও আপলোড হয়?

না। অডিও তৈরি হয় WebGPU বা WebAssembly দিয়ে আপনার ব্রাউজারের ভেতরেই। Audio8 ইঞ্জিন তার রানটাইম ও মডেল ফাইল Hugging Face এবং jsDelivr-এর CDN থেকে আনে। আপনার টেক্সট ও তৈরি অডিও কখনো আমাদের সার্ভারে পৌঁছায় না; সাইটটি তবুও এই কনটেন্ট ছাড়া সাধারণ ব্যবহারের পরিসংখ্যান পাঠাতে পারে।
04

প্রথমবার জেনারেশন কেন ধীর?

দুটি কারণ। প্রথমত, ব্রাউজার একবার 572 MiB সাইন্থেসিস ফাইল ডাউনলোড করে। দ্বিতীয়ত, প্রতিটি অডিও ফ্রেমের জন্য এই অটোরিগ্রেসিভ মডেল একটি Slow AR এবং দশটি Fast AR কল করে। Chrome এবং Edge-এ ন্যাটিভ WebGPU চেষ্টা করা হয়; অন্য সিস্টেমে থ্রেডেড CPU ফলব্যাক ব্যবহৃত হয়।
05

Audio8 TTS কোন কোন ভাষা সাপোর্ট করে?

প্রিভিউটি 11টি ভাষা লক্ষ্য করে: ইংরেজি, স্প্যানিশ, ফরাসি, জার্মান, ইতালীয়, ডাচ, পোলিশ, জাপানি, কোরিয়ান, চাইনিজ এবং ক্যান্টোনিজ। টিমটি জানিয়েছে ভবিষ্যতে আরও ভাষা এবং চাইনিজ ডায়ালেক্ট সাপোর্ট আসবে।
06

Audio8 নাকি Kokoro, কোনটি ব্যবহার করব?

দ্রুত জেনারেশন, 54টি প্রস্তুত ভয়েস, ফোন সাপোর্ট এবং প্রমাণিত স্থিতিশীলতা চাইলে Kokoro ব্যবহার করুন। নতুনতম ওপেন মডেল ট্রাই করতে, 44.1 kHz আউটপুট দরকার হলে, বা জার্মান, কোরিয়ান, ডাচ, পোলিশ বা ক্যান্টোনিজ ভাষায় কাজ করলে Audio8 বেছে নিন। অনেকেই দুটোই বুকমার্ক করে রাখে।
07

অফলাইনে কি কাজ করে?

মডেল ওয়েটস এবং ভয়েস প্রোফাইল লোকালি ক্যাশ থাকে, তাই পুনরায় জেনারেট করলে সেগুলো আবার ডাউনলোড হয় না। সম্পূর্ণ অফলাইন রিলোডের জন্য ব্রাউজারের এই পেজ এবং রানটাইম মডিউল রাখতে হবে; সাইট ডেটা মুছলে ক্যাশ এবং লোকাল ভয়েস মুছে যায়।

Still wondering? Get in touch →

Keep going

নতুনতম ওপেন ভয়েস মডেলটি ট্রাই করুন।

মূল জেনারেটর ↗

ফ্রি টেক্সট টু স্পিচ

9টি ভাষায় 54টি Kokoro ভয়েস, তাৎক্ষণিক ক্লাউড জেনারেশন, WAV ডাউনলোড।

ভয়েস কোয়ালিটি ↗

প্রাকৃতিক AI ভয়েস জেনারেটর

আধুনিক নিউরাল ভয়েস কেন মানুষের মতো শোনায় এবং সঠিকটি কীভাবে বেছে নেবেন।

ফরম্যাট ↗

টেক্সট থেকে MP3

128 থেকে 320 kbps গুণে টেক্সটকে শেয়ার করার জন্য প্রস্তুত MP3-তে রূপান্তর করুন।

ডিভাইস-ভিত্তিক বিকল্প ↗

অনলাইন টেক্সট রিডার

আপনার ডিভাইসে আগে থেকেই থাকা ভয়েস দিয়ে পেস্ট করা টেক্সট উচ্চারণে পড়ুন।

Try it now

নতুনতম ওপেন ভয়েস মডেলটি ব্যবহার করে দেখুন।

ব্রাউজারেই চলে, সম্পূর্ণ ফ্রি ও প্রাইভেট।

Open the tool See all voices