ChatTTS 对比 Aimi.fm

ChatTTS 是一个为对话而构建的开源文本到语音模型。2Noise 团队在超过 10 万小时的中文和英文语音数据上进行了训练，因此它在双向对话中听起来自然流畅，而不仅仅是预设的旁白。

其区别在于在细节层面进行韵律控制。该模型可以加入笑声、暂停和插入语，并能在一次会话中处理多个发声者。这使它非常适合用于大型语言模型助手、对话音频以及对话密集的多媒体内容。

开发者可以通过 pip 安装或克隆 GitHub 仓库。在 Hugging Face 上的开源版本是一个基于 4 万小时数据的基础模型，遵循 AGPLv3+ 协议。团队将其定位为研究和对话用途，若有路线图方面的问题，可以通过 [email protected] 联系。

Aimi.fm 利用授权艺术家音轨构建免版税音乐，而非抓取受版权保护的录音，然后通过 Aimi Sync 引擎为视频配乐。上传视频片段后，Sync 会逐帧分析场景，创作匹配的配乐，支持选择性添加人声、旁白及可下载的音轨。公共主页现已预告即将重新上线，但 Sync 的定价、文档和关于页面显示公司仍在为创作者和开发者提供工具。

与仅生成静态片段的提示词生成器不同，Aimi Sync 将视频视为提示词，并根据场景切换调整时长。音乐来源于由 Aimi Script 和 AMOS 引擎编排的人声录制样本库 Sonic Vault，且每个音轨的使用都会记录在账本中以便支付艺术家报酬。正是这种以样本为先的模式，使 Aimi.fm 拥有超过 60 项专利，并将自身定位为与基于大型唱片目录训练的工具不同。

为制作 Reels、教程和客户作品配乐的视频创作者，在付费套餐中可无限导出，免费方案支持 1 分钟片段。独立音乐人可上传音轨至 Sonic Vault 并通过微量使用获得收益。开发者可申请 Sync API，将具备场景感知且版权清晰的配乐嵌入应用，无需自行处理授权。