Chuyển đến nội dung
CSuite
Tính năng · Âm thanh

Giọng nói, nhạc và âm thanh: một bảng điều khiển.

Đọc kịch bản bằng một giọng tự nhiên, phối nhạc được tạo sẵn và thêm hiệu ứng âm thanh: ba kiểu tạo âm thanh trong cùng một không gian làm việc, kèm trình chỉnh sửa dạng sóng tích hợp sẵn cho khâu hoàn thiện. Cùng không gian làm việc đó còn chép lời một bản ghi âm hay phần âm thanh của video thành văn bản và phụ đề. Mô hình đám mây chạy bằng khóa API của riêng bạn, tổng hợp giọng nói và chép lời có thể chạy hoàn toàn ngoại tuyến, còn việc chỉnh sửa diễn ra ngay trên máy của bạn.

Chọn

Ba kiểu âm thanh, một bộ chọn.

Chuyển trình soạn giữa giọng nói, nhạc và hiệu ứng âm thanh. Bộ chọn mô hình chỉ hiển thị những mô hình hỗ trợ loại đang chọn, và mỗi loại giữ mặc định riêng, kể cả Tự động. ElevenLabs cho một người dẫn chuyện giọng ấm, Lyria cho bản nhạc nền, SFX 1.5 cho tiếng động: chỉ cần một khóa API cho mỗi nền tảng (Runware, OpenRouter hoặc Replicate) là dùng được tất cả, khóa của một hãng như OpenAI, Google hay ElevenLabs bổ sung các mô hình riêng của hãng đó, còn Supertonic TTS đọc ngoại tuyến mà không cần khóa nào. Loại thứ tư, Chép lời, chuyển bộ chọn sang các mô hình chuyển giọng nói thành văn bản như Whisper, GPT-4o Transcribe và Scribe v2.
Đọc

Kịch bản vào, lời dẫn ra.

Dán kịch bản, chọn mô hình và giọng, rồi tạo. Giọng nói lấy từ danh sách giọng riêng của từng mô hình, với các điều khiển cho từng giọng (tốc độ, độ ổn định, độ tương đồng) trên những mô hình hỗ trợ. Nhấn nút phát bên cạnh bộ chọn để nghe thử một giọng trước khi giao cả kịch bản cho nó: lần nghe đầu tiên chỉ tốn một phần nhỏ của một cent, và mọi lần sau đó đều được lưu đệm và miễn phí. Với các mô hình hỗ trợ nhân bản, hãy đưa vào một mẫu giọng kèm bản chép lời, mô hình sẽ đọc kịch bản của bạn bằng chính giọng đó.Đoạn clip bên dưới bản mô phỏng là một lượt tạo thật bằng ElevenLabs v3 trong CSuite, không qua chỉnh sửa. Hãy nhấn phát. Lời nhắc trong thanh chính là kịch bản mà mô hình đã đọc.
Kết quả thật · ElevenLabs v3narration.mp3
0:00 / 0:10
Soạn nhạc

Mô tả không khí, nhận về bản nhạc.

Nhạc cụ, nhịp độ, chất âm: hãy mô tả như khi giao việc cho một nhạc công phòng thu, và mô hình sẽ soạn nhạc. Lyria 3 còn nhận ảnh tham chiếu, nên một bảng cảm hứng có thể định hướng không khí, còn trên Music 2.6 và ACE-Step v1.5, một ô Lời bài hát riêng giữ nguyên lời của bạn đúng như đã viết. Chuyện tiền bản quyền không đeo bám bạn: đó là lượt tạo của bạn, làm bằng khóa của bạn.Đoạn clip 30 giây bên dưới là một bản nhạc thật do Lyria 3 soạn từ đúng lời nhắc hiển thị, cũng là bản mô tả mà mọi mô hình nhạc trong danh mục đều thực hiện trên trang chi tiết của mình.
Kết quả thật · Lyria 3ambient.mp3
0:00 / 0:30
Tiếng động

Hiệu ứng âm thanh theo yêu cầu.

Tiếng cửa đóng sầm, âm thanh rừng cây, tiếng máy chiếu rì rì: hãy mô tả âm thanh thay vì lục tìm trong các thư viện mẫu, hoặc đưa cho SFX 1.5 một video nguồn để mô hình tạo âm thanh khớp với hình ảnh. Thả kết quả thẳng vào một bản dựng video hoặc xuất ra cho phần mềm dựng của bạn.Bên dưới: một lượt tạo thật bằng SFX 1.5 từ lời nhắc hiển thị: một cánh cửa gỗ nặng trong hành lang lát đá.
Kết quả thật · SFX 1.5impact.mp3
0:00 / 0:10
Chép lời

Bản ghi âm vào, bản chép lời ra.

Chuyển loại sang Chép lời, rồi tải lên hoặc thả vào một tệp âm thanh hay video, CSuite sẽ tách phần âm thanh ra khỏi video cho bạn. Mô hình ghi một tệp văn bản bên cạnh bản ghi âm, cùng một tệp phụ đề SRT khi mô hình trả về dấu thời gian. Bản chép lời hiện dưới trình phát, và nhấp vào một dòng có mốc thời gian sẽ đưa vị trí phát đến đúng thời điểm đó. Whisper Base, Small và Large V3 Turbo chạy trên máy của bạn mà không cần khóa, còn Scribe v2 dùng khóa ElevenLabs của bạn có thể gắn nhãn từng người nói.Với các mô hình đọc được gợi ý, như Whisper và GPT-4o Transcribe, ô lời nhắc nhận tên riêng và thuật ngữ để chúng được viết đúng chính tả.
Cải thiện

Gõ ý tưởng, nhận trọn bản mô tả.

Với nhạc và hiệu ứng, hãy nhấn cây đũa thần, mô hình văn bản của chính bạn sẽ biến một dòng thành một bản mô tả đầy đủ: trước tiên là bản nhạc nói về điều gì, rồi đến thể loại, nhạc cụ, nhịp độ và không khí. Lời bài hát được đặt đúng chỗ mà mô hình đọc. Giọng nói không có cây đũa thần, vì văn bản bạn gõ chính là thứ được đọc lên.Nhạc được tính phí theo từng lượt tạo, nên những bản bạn bỏ đi mới là phần tốn kém.
Chỉnh sửa

Làm sạch âm thanh mà không rời ứng dụng.

Trình chỉnh sửa dạng sóng tích hợp ngay trong trình phát lo những khâu hoàn thiện thường gặp, không cần xuất sang công cụ khác. Mọi chỉnh sửa đều được kết xuất cục bộ trên máy của bạn và lưu ngay tại chỗ hoặc thành bản sao mới, giữ nguyên định dạng của tệp, nên một tệp MP3 đã cắt bớt vẫn là MP3.

Cắt gọn đúng đoạn cần

Cắt bỏ khoảng lặng ở hai đầu bản ghi âm, hoặc lấy ra một đoạn thu sạch từ một buổi thu dài. Kéo các tay cầm trên dạng sóng, mọi thứ nằm ngoài vùng chọn sẽ bị bỏ đi.

Rõ dần, mờ dần

Cho đoạn nhạc nền đã tạo một lối vào và lối ra mượt mà trước khi đặt nó dưới lời dẫn. Đặt độ dài rõ/mờ dần, đường bao âm lượng sẽ được áp dụng lên dạng sóng.

Chỉnh mức âm lượng

Lời dẫn nhỏ đặt cạnh nhạc nền to là lỗi phối âm phổ biến nhất. Tăng hoặc giảm âm lượng của clip cho đến khi các mức âm nghe cân đối.

Đổi tốc độ

Biến bản ghi bài giảng 42 phút thành 28 phút nghe ở tốc độ 1,5×, hoặc làm chậm một đoạn thu quá nhanh. Thời lượng cập nhật theo tốc độ.

Chuyển đổi định dạng

Gửi cho người dựng một tệp WAV hoặc FLAC không mất dữ liệu, hoặc thu gọn một buổi thu thành MP3 hay OGG để chia sẻ. Chọn định dạng đích, tệp sẽ được chuyển mã thẳng từ tệp nguồn, không qua bước nén mất dữ liệu trung gian nào.
Bản dựng

Không chỉ là clip, mà là cả tập.

Bản dựng là chế độ sáng tạo thứ hai dành cho podcast, phỏng vấn và truyện kể có lời dẫn: viết kịch bản, gán cho mỗi người nói một giọng riêng, phối nhạc và hiệu ứng âm thanh bên dưới trên dòng thời gian nhiều rãnh, rồi xuất ra một tệp MP3, M4A hoặc WAV. Kịch bản, nhân vật và bộ trộn âm được trình bày đầy đủ trên trang bản dựng.
Không gian làm việc

Phần còn lại của phòng thu.

Những thứ nhỏ quanh nút tạo: nghe thử giọng trước, biết trước giá, và quay lại lời nhắc đã hiệu quả.

Nghe thử giọngPhát bất kỳ giọng nào trong danh sách ngay từ bộ chọn trước khi giao kịch bản cho nó. Lần nghe đầu tiên tốn một phần nhỏ của một cent, mọi lần sau đó được lưu đệm và miễn phí, còn trên Supertonic TTS, mọi bản nghe thử đều miễn phí vì được tạo ngay trên thiết bị.
Nhân bản giọng nóiTrên các mô hình hỗ trợ, hãy đính kèm một mẫu giọng và bản chép lời của nó, mô hình sẽ đọc kịch bản của bạn bằng giọng đó thay vì một giọng có sẵn.
Viết bản mô tả bằng AIVới nhạc và hiệu ứng, gõ ý chính rồi nhấn cây đũa thần: mô hình văn bản của bạn sẽ mở rộng thành chủ đề, thể loại, nhạc cụ, nhịp độ và không khí, và viết luôn cả lời bài hát trên những mô hình hát theo lời nhắc. Giọng nói được giữ nguyên, vì văn bản chính là thứ được đọc lên.
Biết trước chi phíTrình soạn hiển thị giá ước tính trước khi bạn tạo (theo từng clip với nhạc, theo số ký tự đếm trực tiếp với giọng nói), và một dòng trạng thái theo dõi lượt chạy.
Dùng lại những gì hiệu quảCác lời nhắc gần đây nằm thành chip phía trên trình soạn, và mỗi clip đã tạo đều ghi nhớ mô hình và cài đặt đã dùng, có thể nạp lại chỉ với một cú nhấp.
Tệp vẫn là của bạnClip là các tệp thông thường trong thư mục dự án. Kéo bản ghi âm vào, lọc danh sách dài theo tên, và mở hoặc sao lưu bằng bất kỳ công cụ nào bạn thích.
Danh mục

Mô hình và nhà cung cấp hiện có.

Mọi mô hình âm thanh trong danh mục đều có ở đây, bao gồm tổng hợp giọng nói, nhạc, hiệu ứng âm thanh và chuyển giọng nói thành văn bản. Chúng chạy trên đám mây qua Runware, OpenRouter và Replicate, hoặc trực tiếp từ các hãng như OpenAI, Google, ElevenLabs và nhiều hãng khác, bằng khóa của riêng bạn, và chạy ngay trên thiết bị qua môi trường chạy Hugging Face đi kèm. Mỗi mô hình tạo âm thanh đều có clip mẫu thật trên trang chi tiết của nó.

OpenAIĐám mây · khóa API của bạn
OpenRouterĐám mây · khóa API của bạn
ReplicateĐám mây · khóa API của bạn
GoogleĐám mây · khóa API của bạn
RunwareĐám mây · khóa API của bạn
xAIĐám mây · khóa API của bạn
ElevenLabsĐám mây · khóa API của bạn
MiniMaxĐám mây · khóa API của bạn
Fish AudioĐám mây · khóa API của bạn
Hugging FaceCục bộ · phần cứng của bạn
KlingĐám mây · khóa API của bạn
OllamaCục bộ · phần cứng của bạn
GPT-4o Mini TTS
Đám mây

OpenAI's steerable speech model: ten natural voices you can direct with free-text instructions for tone, accent and pacing.

OpenAI
Gemini 3.8 Flash TTS
Đám mây

Google's most expressive Gemini speech model, for long-form narration and two-speaker scenes in 130 languages, with inline vocal cues such as sighs and laughs.

Google · OpenRouter · Replicate
Gemini 3.8 Flash-Lite TTS
Đám mây

A faster, lower-cost Gemini speech model for high-volume narration and voice agents in 101 languages, with the same voices and vocal cues as 3.8 Flash TTS.

Google · OpenRouter · Replicate
Grok Text-to-Speech
Đám mây

xAI's expressive text-to-speech model with multiple voices and 20-language support.

xAI · Runware · Replicate
Lyria 3.5
Đám mây

Google's music model for full-length songs with structure, vocals or instrumentals, guided by a text prompt, optional lyrics and reference images.

Google · Replicate
Lyria 3
Đám mây

Enhanced Lyria model with improved musical coherence and audio quality.

Google · OpenRouter · Replicate
Lyria 3 Pro
Đám mây

Google's professional-grade music model with enhanced fidelity and musical expression.

OpenRouter · Replicate
v4
Đám mây

ElevenLabs' most expressive speech model, with closer voice cloning, audio tags for delivery and more than 90 languages.

ElevenLabs · OpenRouter
v4 Turbo
Đám mây

The low-latency tier of ElevenLabs v4, with the same audio tags and more than 90 languages at half the per-character price.

ElevenLabs · OpenRouter
v3
Đám mây

ElevenLabs' most expressive voice model with rich emotional and tonal range.

ElevenLabs · OpenRouter · Replicate
v3 Conversational
Đám mây

A variant of ElevenLabs' v3 voice model tuned for natural dialogue in conversational agents, in more than 70 languages.

ElevenLabs · OpenRouter
Music
Đám mây

ElevenLabs music generation model for creating original AI-composed tracks.

ElevenLabs · Replicate
Music 2.6
Đám mây

MiniMax music model for full-arrangement AI compositions with rich instrumentation.

Runware · Replicate
SFX 1.5
Đám mây

Mirelo sound effects model for generating custom audio SFX from text prompts.

Runware
Speech 2.8
Đám mây

MiniMax's studio-grade speech model with 332 voices, emotion control, voice cloning, and a 50,000-character input limit.

MiniMax · Runware · Replicate
Drama 3
Đám mây

Fish Audio's text-to-speech model for directed voice performances: you describe how each line should be delivered in square brackets, add sounds and pauses, and script several speakers in one call.

Fish Audio · OpenRouter
Voice
Đám mây

HeyGen's text-to-speech model with preset voices on OpenRouter and Runware; on Runware it can also clone a voice from a recording.

OpenRouter · Runware
Voice Turbo
Đám mây

A lower-latency version of HeyGen Voice with the same preset voices on OpenRouter and Runware, and voice cloning on Runware.

OpenRouter · Runware
Voxtral TTS 3
Đám mây

Mistral's text-to-speech model with preset voices in eight languages; emotion and pace tags written into the text, such as [emotion=happy] or [pace=slow], direct the delivery. In public preview.

OpenRouter
S2.1 Pro
Đám mây

Fish Audio's recommended production TTS with natural-language cues in brackets, multi-speaker synthesis in one call, and zero-shot voice cloning across 83 languages.

Fish Audio · OpenRouter · Runware
S2.1 Pro Free
Đám mây

Fish Audio's S2.1 Pro model at $0 for development and testing under fair-use limits, with the same bracket cues, multi-speaker synthesis and voice cloning but no latency or data-processing guarantees.

Fish Audio
S2 Pro
Đám mây

Fish Audio's previous-generation open S2 TTS with natural-language cues in brackets, multi-speaker dialogue and zero-shot voice cloning across 80+ languages.

Fish Audio · OpenRouter
Seed Audio 1.0
Đám mây

ByteDance's audio generation model that reads a script word for word or builds a whole scene from one prompt, with a described voice, ambience, music and sound effects, and clones a voice from short reference clips.

OpenRouter · Runware
MAI-Voice-2.1
Đám mây

Microsoft AI's highest-fidelity text-to-speech model, with detailed prosody and a consistent speaker over long passages. It reads in 23 languages through preset voices across 28 locales, and the voice you pick sets the language.

OpenRouter
MAI-Voice-2.1 Flash
Đám mây

Microsoft AI's low-latency text-to-speech model, built for real-time responsiveness. It reads in 23 languages through the same preset voices as MAI-Voice-2.1, across 28 locales, and the voice you pick sets the language.

OpenRouter
ACE-Step v1.5
Đám mây

Open full-track music generation with lyric editing, remix, cover generation, and voice cloning in 50+ languages.

Runware
Flash v2.5
Đám mây

ElevenLabs' fastest speech model, with about 75 ms latency across 32 languages at half the per-character price of Multilingual v2.

ElevenLabs · OpenRouter · Replicate
Multilingual v2
Đám mây

ElevenLabs' previous-generation voice model for lifelike, consistent long-form narration such as voice-overs and audiobooks, in 29 languages.

ElevenLabs · OpenRouter
Flash v2
Đám mây

ElevenLabs' English-only speech model with very low latency, suited to conversational and real-time use.

ElevenLabs · OpenRouter
Sound Effects v3
Đám mây

ElevenLabs' newest text-to-sound-effects model: foley, ambiences and impacts up to 30 seconds that follow several cues in one prompt, handle music and vocals, and loop seamlessly.

ElevenLabs
GPT Transcribe
Đám mây

OpenAI's high-accuracy transcription model for recorded audio, which follows a hint for names and terms and returns plain text without timestamps.

OpenAI · OpenRouter
Whisper Large V3
Đám mây

OpenAI's open-weight Whisper Large V3, which transcribes speech in close to a hundred languages and returns timed segments for subtitles.

OpenRouter · Replicate
Whisper Large V3 Turbo
Đám mâyCục bộ

A faster, slimmed-down Whisper Large V3 that keeps most of its accuracy and returns timed segments for subtitles.

OpenRouter · Hugging Face
Transcribe 1 Pro
Đám mây

Fish Audio's speech-to-text model for multi-speaker conversations, which labels who is speaking and keeps emotion and vocal-event cues such as laughter in the transcript.

Fish Audio · OpenRouter
Muse Voice Transcribe 1.0
Đám mây

Meta's speech-to-text model for push-to-talk and speaker-aware transcription, which returns plain text.

OpenRouter
MAI-Transcribe 2
Đám mây

Microsoft AI's multilingual transcription model, which covers 60 languages with automatic language detection and returns plain text.

OpenRouter
Voxtral Small Transcribe 3
Đám mây

Mistral's flagship transcription model, which returns a timestamped transcript and detects the language on its own. In public preview.

OpenRouter
Voxtral Mini Transcribe 3
Đám mây

Mistral's compact transcription model, a lower-cost sibling of Voxtral Small Transcribe 3 with timestamps and language detection. In public preview.

OpenRouter
Universal-3.6 Pro
Đám mây

AssemblyAI's speech-to-text model and the successor to Universal-3.5 Pro, served through its synchronous API for clips of up to two minutes. The app sends a longer recording in two-minute pieces and returns plain text.

OpenRouter
TTS 1
Đám mây

AssemblyAI's text-to-speech model for voice agents, narration and multilingual applications, with twenty preset voices here in English, Spanish, French and German.

OpenRouter
Gemini 3.5 Transcribe
Đám mây

Google's speech-to-text model for fast synchronous transcription with automatic language detection; this route returns plain text.

Google · OpenRouter
Scribe v2
Đám mây

ElevenLabs' batch transcription model, which returns word-level timing for subtitles and can label who is speaking.

ElevenLabs · OpenRouter
Scribe v2 Medical
Đám mây

ElevenLabs' batch transcription model tuned for clinical and medical terminology, which returns word-level timing for subtitles and can label who is speaking.

ElevenLabs · OpenRouter
Kling Text to Audio
Đám mây

Kuaishou's Kling sound effects model, generating 3 to 10 second clips from a short text description.

Kling
Kling TTS
Đám mây

Kuaishou's Kling text-to-speech model, reading up to 1,000 characters aloud in English or Chinese system voices.

Kling
Phonon
Cục bộ

Gradium's 31M-parameter English text-to-speech model, run on device by Ollama on Apple silicon Macs. It reads text as written, so numbers and dates are best spelled out.

Ollama
LFM3-Audio 2B
Cục bộ

Liquid AI's 2B audio model, run on device by Ollama: it speaks text in 19 languages with a female or male voice per language, and transcribes speech.

Ollama
Supertonic TTS
Cục bộ

On-device English text-to-speech that runs entirely in the app, with ten preset voices and no API key.

Hugging Face
Whisper Base
Cục bộ

A small on-device Whisper model that transcribes speech in the app with no API key, trading accuracy for speed.

Hugging Face
Whisper Small
Cục bộ

A mid-sized on-device Whisper model that transcribes speech in the app with no API key, balancing speed and accuracy.

Hugging Face
Câu hỏi thường gặp

Thắc mắc về âm thanh, đều có lời đáp.

Cách tổng hợp giọng nói, nhạc, hiệu ứng âm thanh và chép lời hoạt động trong CSuite: giọng nói, chi phí, chỉnh sửa và định dạng.

Thanh toán một lần. Sở hữu mãi mãi.

Không thuê bao. Không tính phí theo người dùng. Không gia hạn. Mua CSuite một lần, đã bao gồm mọi bản cập nhật sau này.

Thanh toán an toàn qua Stripe. Đã có giấy phép? Tải xuống ứng dụng