Canopy Labs: Orpheus 3B

Canopy Labs: Orpheus 3B to model zamiany tekstu na mowę od Canopy Labs. Jest to model o 3B parametrów dostrojony do syntezy mowy angielskiej, z naciskiem na naturalną prozodię i ekspresyjne wykonanie. Model został udostępniony przez dostawcę 23 kwietnia 2026. Jego główna kategoria to mowa, a pozycjonowany jest jako model specjalistyczny, a nie ogólnego przeznaczenia model językowy.

Model przyjmuje tekst jako jedyne wejście i generuje mowę jako jedyne wyjście. Ma długość kontekstu 4096 tokenów, a maksymalne wyjście to 3686 tokenów. Orpheus 3B jest dostarczany z 7 gotowymi głosami: tara, leah, jess, leo, dan, mia i zac. Dostawca opisuje go jako dostrojony do naturalnej prozodii i ekspresyjnego wykonania, co oznacza, że nacisk kładzie się na to, jak brzmi generowana mowa, a nie na rozumienie tekstu czy rozumowanie.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Narracja pasuje tu naturalnie, ponieważ model jest dostrojony pod prozodię i ekspresję w dłuższych fragmentach tekstu angielskiego. Asystenci głosowi to kolejne zastosowanie, gdzie siedem gotowych głosów pozwala wybrać spójnego mówcę dla odpowiedzi głosowych. To samo dotyczy każdej aplikacji, która musi zamienić treść pisaną na dźwięk, na przykład odczytywania artykułów, generowania podpowiedzi głosowych lub tworzenia ścieżek głosowych dla ustalonego zestawu postaci lub prezenterów. Ponieważ wejściem jest wyłącznie tekst, model nie przyjmuje dźwięku do klonowania ani transkrypcji, a ponieważ wyjściem jest wyłącznie mowa, nie zwraca tekstu, który można by dalej przetwarzać.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "canopylabs/orpheus-3b-0.1-ft". Żądanie ma taki sam kształt jak inne punkty końcowe mowy zgodne z OpenAI, z twoim tekstem jako wejściem. Model nie wymienia żadnych obsługiwanych parametrów, więc nie należy oczekiwać możliwości przekazania w żądaniu ustawień próbkowania, flag wyboru głosu ani innych opcji dostrajania. Siedem głosów jest częścią stałej konfiguracji modelu, a nie parametrami żądania.

Kontekst 4096 tokenów i limit wyjścia 3686 tokenów warto uwzględnić w planowaniu. Bardzo długie dokumenty będą wymagały podzielenia na fragmenty przed syntezą, a skupienie wyłącznie na języku angielskim oznacza, że inne języki są poza zakresem. Jeśli twoim zadaniem jest generowanie tekstu, rozumowanie, tłumaczenie lub cokolwiek, co zwraca tekst, lepiej sprawdzi się ogólny model językowy. Orpheus 3B to właściwy wybór, gdy rezultatem ma być mówiony dźwięk w języku angielskim, a prozodię ma obsłużyć sam model.