Ming-3.0-tts (offline, voice clone, 7 languages)
Dobla tus subtítulos en chino, inglés, japonés, coreano, alemán, francés y español con Ming-3.0-tts de inclusionAI, con la propia voz de cada hablante clonada del vídeo, con una de sus voces integradas, o con una voz creada a partir de una descripción, con controles de emoción y velocidad. Funciona en tu propio ordenador, y el complemento, el código y los pesos son todos libres para uso comercial.
Ajustes Complementos Ming-3.0-tts (offline, voice clone, 7 languages) Instalar
Subtitld lo descarga, comprueba su SHA-256 y lo mantiene actualizado.
- Idiomas
- 7
- Modelos
- 1
- Voces
- 12
- Descarga del complemento
- 216–336 MB
- RAM, como mínimo
- 5 GB
Qué hace
Subtitld recorta del vídeo un clip de cada hablante y lo envía con las palabras que se dicen en él. Ming-3.0-tts continúa a partir de ese clip, así que el doblaje suena como la persona en pantalla, en cualquiera de sus siete idiomas.
Cinco voces con las que se entrenó el modelo, iguales en cada línea, o una voz creada a partir de unas pocas palabras: cinco listas, desde una mujer de voz cálida hasta un narrador, o tu propia descripción.
Haz que las voces clonadas y descritas hablen alegres, tristes, enfadadas o sorprendidas, o más rápido, más lento, más agudo o más grave.
El complemento es Apache-2.0; el código y los pesos de Ming-3.0-tts son MIT.
Antes de instalar
Ming-3.0-tts es un modelo grande, de unos 1500 millones de parámetros contando su códec de audio. Le exige mucho a tu ordenador:
- Disco: unos 3,4 GB, casi todo el modelo de 2,99 GB, que se descarga con la primera línea que dobles.
- Memoria: unos 5 GB libres. Con menos sigue funcionando, pero mucho más lento.
- Tiempo: en una CPU, cada segundo de voz tarda de cuatro a cinco segundos en generarse, en un Intel Core i7-13700T. Un vídeo de diez minutos puede tardar unos tres cuartos de hora.
Para doblajes rápidos en ordenadores modestos, Piper o Kokoro son mucho más ligeros.
Voces
En la pestaña Hablantes, elige Ming-3.0-tts como Motor de doblaje de un hablante y luego elige una Voz. Activa Ajustar el doblaje a la duración del subtítulo para que cada línea de ese hablante se estire o se comprima hasta su subtítulo.
12 voces.
La voz clonada
Con Speaker's own voice, Subtitld recorta una muestra de ese hablante del audio del proyecto, de uno de sus subtítulos de 3 a 12 segundos, o de varios cortos unidos. Si separaste la música de la voz en este vídeo, la muestra sale solo de la voz. El Fallback reference clip de los ajustes del complemento solo se usa cuando no se puede recortar ninguna muestra.
Subtitld envía el texto del subtítulo con la muestra, y Ming-3.0-tts continúa a partir de ella, que es lo que más se acerca al hablante, incluida su forma de hablar. Si un doblaje a otro idioma conserva el acento del hablante, activa Clone the timbre only.
Voces integradas
Emma (estadounidense), George y Charlotte (británicos), Ling Xiaorou y Ling Kai (chinos) son hablantes que el modelo aprendió. Cada uno suena igual en todas las líneas, y cada uno habla los siete idiomas.
Voces descritas
Ming-3.0-tts crea una voz nueva cada vez que lee una descripción. Por eso el complemento crea la voz de cada hablante una sola vez, y todas las líneas de ese hablante la reutilizan: la voz se mantiene igual a lo largo del vídeo, y dos hablantes con la misma descripción siguen sonando como dos personas.
Emoción, velocidad, tono y volumen
Son ajustes del complemento, así que se aplican a todos los hablantes doblados con una voz clonada o descrita. Son los controles propios del modelo, que toman el sonido de la voz del hablante pero no su forma de hablar, y funcionan de uno en uno: una emoción, si está definida, anula la velocidad, el tono y el volumen. Las voces integradas los ignoran.
En líneas en chino o en inglés, el modelo también produce sonidos escritos en el texto: [Laughter], [Sigh], [Breathing], [Cough], [Uhm] y algunos más.
Modelos
Hay un único modelo, Ming-3.0-tts-0.5B. No viene dentro del complemento: se descarga en la caché de modelos compartida de Subtitld la primera vez que doblas, desde Hugging Face en una revisión fija, con cada archivo comprobado. Una descarga interrumpida continúa donde se quedó. Actualizar o quitar el complemento conserva el modelo.
| Modelo | Descarga | Ideal para |
|---|---|---|
| Ming-3.0-tts (0.5B) Predeterminado ming-3.0-tts-0.5b | Todas las voces, en los siete idiomas |
La primera línea también carga el modelo, así que tarda más que las siguientes. Cancelar detiene una línea entre dos pasos, o detiene la descarga.
Opciones
En Ajustes › Complementos › Ming-3.0-tts (offline, voice clone, 7 languages) › Configurar.
autoAutomático usa el procesador. Se puede elegir la GPU de un Mac con Apple Silicon, pero no se ha probado. Esta versión no usa tarjetas gráficas NVIDIA.
00 elige los núcleos de rendimiento en las CPU que también tienen núcleos de eficiencia. Menos hilos mantienen el ordenador más ágil mientras dobla.
noneCada línea de una voz clonada o descrita se dice con esta emoción. Conserva el sonido de la voz pero no la forma de hablar del hablante, y anula la velocidad, el tono y el volumen. Las voces integradas la ignoran.
normalPara voces clonadas y descritas, cuando no hay ninguna emoción definida. Como la emoción, conserva solo el sonido de la voz.
normalComo la velocidad: para voces clonadas y descritas, cuando no hay ninguna emoción definida.
normalComo la velocidad: para voces clonadas y descritas, cuando no hay ninguna emoción definida.
La usa la voz "Voz que describes": quién habla y cómo, en pocas palabras, por ejemplo "An elderly woman, soft and warm voice, slow pace". El inglés o el chino funcionan para todos los idiomas.
Un clip para la voz clonada cuando Subtitld no puede recortar uno del vídeo, por ejemplo sin ningún vídeo abierto: de 3 a 10 segundos de una persona hablando.
Las palabras exactas que se dicen en el clip anterior. Con ellas, la clonación se acerca más al hablante.
Clona solo el sonido de la voz, no la forma de hablar del clip. Pruébalo cuando un doblaje a otro idioma conserva el acento del hablante, o cuando tus subtítulos parafrasean lo que se dice.
Idiomas
Chino, inglés, japonés, coreano, alemán, francés y español. Cada voz habla todos ellos.
zhenjakodefres
Plataformas
| Sistema | Descarga | Probado |
|---|---|---|
| Linux x86-64 | 321.2 MB | Doblado con el modelo real en una máquina real |
| macOS (Apple silicon) | 335.7 MB | Compilado y comprobado en CI (Apple Silicon) |
| Windows x86-64 | 216.4 MB | Compilado y comprobado en CI |
Linux x86-64, macOS en Apple Silicon y Windows x86-64. Cada versión se compila en los tres, y la CI comprueba que todo lo necesario para hablar está en la compilación. La CI no ejecuta el modelo en sí.
Solución de problemas
network_unavailableNo se pudo descargar el modelo. Comprueba tu conexión y vuelve a intentarlo: la descarga continúa donde se quedó.disk_fullNo hay espacio en disco suficiente para el modelo. Necesita unos 3,4 GB libres.oomMemoria insuficiente. Cierra otros programas; Ming-3.0-tts necesita unos 5 GB libres.bad_paramsLa línea no tiene texto, la voz clonada no recibió ninguna muestra, o Voz que describes no tiene descripción. El mensaje dice cuál: abre el vídeo, define un Fallback reference clip, o escribe una Voice description.unsupported_voiceEl proyecto indica una voz que esta versión no tiene. Vuelve a elegir la voz en la pestaña Hablantes.internalAlgo falló dentro del complemento; el mensaje tiene los detalles. Si cambiaste Inference device, vuelve a ponerlo en Automático.
Licencia
Apto para uso comercial: el complemento es Apache-2.0, y el código de Ming-3.0-tts y los pesos de Ming-3.0-tts-0.5B son MIT. Los doblajes que hagas son tuyos. Una voz clonada suena como una persona real: clona voces que tengas derecho a usar, y di que un doblaje es sintético cuando importe.
Versiones
- 26.10.1
Text-to-speech for Subtitld with inclusionAI's Ming-3.0-tts-0.5B: Chinese, English, Japanese, Korean, German, French and Spanish at 44.1 kHz, in the speaker's own voice cloned from the video, in a built-in voice, or in a voice made from a description, with emotion and speed controls.
The archive holds the add-on and a CPU build of PyTorch. The 2.99 GB model downloads on the first synthesis, at a pinned revision, checked by sha256. Plan for about 5 GB of free memory; on a CPU each second of speech takes about four seconds to make.
The add-on is Apache-2.0; Ming-3.0-tts's code and weights are MIT. Each archive carries
THIRD_PARTY_LICENSES/with the licence of everything frozen into it. The Linux archive carries libquadmath (LGPL-2.1, with numpy); its complete source isming-<version>-libquadmath-source.tar.gzin this release.
Otros complementos de Voces
-
Piper Sin conexión
158 voces sin conexión en 49 idiomas, cada una una descarga pequeña aparte.
-
Kokoro Sin conexión
54 voces sin conexión en nueve idiomas, todas de un único modelo de 82 MB.
-
Supertonic Sin conexión
Diez voces sin conexión, cada una capaz de hablar los 31 idiomas del modelo.
-
sanoTTS Sin conexión
Voces sin conexión diminutas, 28 en 14 idiomas, cada una de menos de 10 MB.
-
Parler-TTS Sin conexión
Voces en inglés que siguen una descripción escrita; 34 hablantes con nombre.
-
Qwen3-TTS Clonación
Diez idiomas, nueve voces y clonación desde 3 segundos de un hablante.
-
Coqui XTTS Clonación
Clonación de voz en 16 idiomas, con licencia de modelo no comercial.
-
F5-TTS Clonación
Solo clonación de voz, en inglés y chino; modelo no comercial.
-
VoxCPM2 Clonación
30 idiomas a 48 kHz, con la propia voz del hablante o una descrita. Pesado.
-
Pocket TTS Sin conexión
Rápido y ligero, solo CPU. 23 voces en siete idiomas europeos.
-
Sopro Clonación
La propia voz del hablante, rápido en una CPU. Cuatro idiomas.
-
KittenTTS 2 Clonación
La propia voz del hablante en 16 idiomas, en una CPU. Pesos bajo una licencia restrictiva.