Deep Voice 3 vs ElevenLabs

Deep Voice 3 é uma implementação de código aberto em PyTorch do modelo de síntese de fala Deep Voice 3, da Baidu Research. Ele reproduz o aprendizado de sequência convolucional para TTS neural escalável e fornece checkpoints pré-treinados com demonstrações de áudio para configurações de fala única e multi-fala.

O projeto inclui modelos treinados na LJSpeech para síntese de fala única e na VCTK para geração multi-fala com 108 falantes. A página de demonstração hospeda clipes de áudio de amostra, gráficos de atenção e links para pesos pré-treinados no GitHub.

Destina-se a pesquisadores e desenvolvedores que desejam uma implementação de referência do Deep Voice 3, ao invés de uma API de fala hospedada. Scripts de treinamento, código de inferência e contribuições da comunidade estão disponíveis no repositório público do GitHub.

ElevenLabs é uma plataforma de voz e áudio para transformar texto em fala realista, transcrever áudios, gerar música e implantar agentes de voz conversacionais. Ela oferece aos criadores, desenvolvedores e equipes corporativas um único lugar para produzir narração, dublagem, efeitos sonoros e experiências de voz por telefone ou chat voltadas para o cliente, sem precisar de estúdios de gravação ou talentos vocais para cada projeto.

A empresa desenvolve seus próprios modelos de fala, transcrição e música, em vez de utilizar APIs de terceiros. Lançamentos de pesquisa como Eleven v3, Scribe v2 e Eleven Music sustentam três linhas de produto: ElevenCreative para produção de conteúdo, ElevenAgents para automação da experiência do cliente e ElevenAPI para desenvolvedores que desejam acesso programático através de SDKs em Python e TypeScript.

A plataforma é voltada para podcasters, produtores de vídeo, estúdios de jogos e equipes de suporte que precisam de vozes consistentes em mais de 70 idiomas. Clientes corporativos como Disney, Cisco e Deutsche Telekom utilizam-na para dublagem, IVR e experiências de voz de marca em larga escala.