제로샷 감정 음성 클로닝 및 음성 생성, 텍스트 프롬프트로 목소리의 감정, 어조, 리듬을 제어하며 16GB VRAM으로 실행 가능.

요약

Scenema Audio는 Diffusion Transformer 기술을 기반으로 10초의 참조 오디오만 있으면 목소리를 복제할 수 있는 제로샷 감정 음성 클로닝 모델입니다. XML 프롬프트를 통해 감정, 속도, 호흡 등 세밀한 연기 스타일을 제어할 수 있으며, 16GB VRAM 환경에서 Docker를 통해 간편하게 실행할 수 있습니다.

핵심 포인트

• 10초의 짧은 오디오로 고품질 제로샷 음성 클로닝 가능
• XML 프롬프트를 활용한 감정, 어조, 리듬 및 연기 스타일의 정밀 제어
• 다국어 지원 및 환경 음향 효과 동시 생성 기능 제공
• 16GB VRAM 사양에서 Docker, API, Web UI를 통한 손쉬운 배포 및 사용