Hangar 0.3: polski lektor, klonowanie głosu, napisy SRT i wokal na własnym komputerze

👁 118 przeczytań

Hangar, moja darmowa aplikacja do lokalnych modeli AI na Windowsie, dostał w wersji 0.3 głos. Nowa zakładka Głos i audio czyta polski tekst i klonuje głos z twojej próbki w Chatterbox Multilingual V3. Robi napisy SRT z nagrania w Whisperze, oddziela wokal od podkładu w UVR i zmienia barwę głosu w RVC. Wszystko działa na twoim komputerze, bez wysyłania nagrań do chmury.

Dziś wyszła wersja 0.3.2, która porządkuje wygląd studia głosu. Poniżej opisuję, co doszło w 0.3, z prawdziwymi czasami z mojej karty RTX 4090.

Pobierz Hangar 0.3.2 dla Windows · strona aplikacji i lista modeli

Polski lektor i klonowanie głosu

Wpisujesz tekst, wybierasz język i dodajesz próbkę głosu. Chatterbox Multilingual V3 od Resemble AI czyta tekst tą barwą. Próbkę zapisujesz jako profil, więc nie wgrywasz jej przy każdym zadaniu. Wynik odsłuchujesz w aplikacji i pobierasz jako WAV.

Posłuchaj próbki z mojego testu:

• Czas na RTX 4090: 45,3 s pracy razem z ładowaniem modelu
• Rozmiar modelu: 3,0 GB
• Pamięć karty: około 6 GB VRAM
• Licencja: MIT, także komercyjnie

Klonuj tylko swój głos albo głos osoby, która się na to zgodziła. Głos jest w Polsce dobrem osobistym, a klon cudzego głosu bez zgody może skończyć się pozwem.

Głos z opisu: Qwen3-TTS

Qwen3-TTS od Alibaby ma dwa warianty. VoiceDesign tworzy głos z opisu, na przykład „spokojny męski głos lektora, lekko zachrypnięty”. Base klonuje głos z próbki. Oba obsługują 10 języków, ale polskiego wśród nich nie ma. Przyda się, jeśli robisz materiały po angielsku, niemiecku albo w innym z tych języków. Każdy wariant zajmuje 4,2 GB i potrzebuje około 6 GB VRAM. Licencja to Apache 2.0, także komercyjnie.

Napisy SRT i transkrypcja

Nowa zakładka Transkrypcja i napisy. Wybierasz Whisper albo WhisperX, język i plik. Dostajesz tekst w TXT, napisy SRT do filmu i JSON ze znacznikami czasu słów. WhisperX dodatkowo wyrównuje słowa i może rozróżniać mówców, ale do tego potrzebny jest token Hugging Face.

Whisper large-v3-turbo zajmuje 1,5 GB i potrzebuje około 2 GB VRAM. Działa też na samym procesorze, wolniej. Jak robiłem napisy Whisperem bez Hangara, ze skryptem, opisałem w tekście napisy do filmu za darmo.

Wokal, podkład i zmiana głosu

• UVR rozdziela utwór na wokal i podkład. W moim teście zajęło to 44,3 s łącznie, razem z pobraniem modelu.
• RVC zmienia barwę istniejącego nagrania mowy albo śpiewu. Potrzebujesz własnego modelu głosu w pliku .pth. Hangar go nie trenuje, tylko używa.

Usuwanie wokalu w płatnej usłudze online porównywałem w tekście usuwanie wokalu z piosenki. Hangar robi to samo lokalnie i za darmo.

Silniki i Fish Audio

Każdy silnik audio instaluje się z aplikacji, w osobnym środowisku Python, więc nie miesza się z twoim ComfyUI. Fish Audio ma tylko łącznik do osobnego lokalnego serwera Fish Speech w WSL albo Dockerze. Uwaga na wymagania i licencje:

• Fish Audio S2-Pro: 10,3 GB, autor podaje co najmniej 24 GB VRAM, licencja badawcza, tylko niekomercyjnie
• Fish Audio Drama 3: 38,7 GB, co najmniej 48 GB VRAM w FP8, nie mieści się na RTX 4090. Komercyjnie tylko na warunkach autora.

Nowe modele obrazu i wideo

• Z-Image BASE: licencja Apache 2.0, obraz w 51 s na RTX 4090
• LTX-2.5 Distilled: graf sprawdzony, pełnego testu generowania jeszcze nie zrobiłem

Dla porównania czasy innych modeli z katalogu na tej samej karcie: Z-Image Turbo 59 s, SDXL 28 s, Wan 2.2 105 s, ACE-Step 32 s, Stable Audio 3 24 s.

Co zmienia 0.3.2

• zakładka Głos i audio ma ten sam układ co Obraz i Piosenka: ustawienia po lewej, wyniki po prawej
• spójne kolory stanów: zielona kropka oznacza gotowe, bursztynowa w toku, czerwona błąd
• odsłuchiwany wynik nie przerywa się już co dwie sekundy
• funkcje, silniki i wymagania bez zmian względem 0.3.1

Czytasz Promptowego częściej? Dodaj go do preferowanych źródeł w Google, a nowe teksty będą wyżej w Twoich wynikach.

Jak zaktualizować

Pobierz nowy instalator i uruchom go. Hangar nie rusza węzłów ani workflowów w twoim ComfyUI. Windows może pokazać ostrzeżenie SmartScreen, bo instalator nie ma jeszcze podpisu cyfrowego. Kliknij wtedy „Więcej informacji” i „Uruchom mimo to”. Sumę sha256 instalatora sprawdzisz na stronie Hangara.

Cały poradnik, od instalacji po pierwszy obraz, klip, piosenkę i głos, jest w tekście Hangar: darmowe lokalne modele AI na Windowsie. Przegląd wszystkich lokalnych narzędzi głosowych zebrałem w hubie lokalny głos AI.

Pobierz Hangar 0.3.2