Fri AI Tekst til tale

Letvægts 82M parameter model leverer studio-kvalitet tale med flammende hurtig inferens.

En hurtig, lokal neural tekst til talesystem optimeret til Raspberry Pi og indlejrede enheder.

Betinget variational autoencoder med adversarial læring for end-to-end tekst-til-tale.

Høj kvalitet flersproget tekst-til-tale, der kører på CPU med minimal latency.

Transformer-baseret tekst-til-audio model, der genererer realistisk tale, musik og lydeffekter.

Lettere version af Bark med hurtigere inferens og lavere hukommelsesforbrug.

Alibaba skalerbar streaming TTS med menneskelig-paritet naturlighed og nær-nul latency.

Multi-højttaler dialog generation model, der skaber naturlige samtaler mellem højttalere.

Beskriv den stemme, du ønsker i naturligt sprog og Parler genererer matchende tale.

Zero-shot TTS med finkornet følelsesmæssig kontrol og høj ekspressivitet.

Stemmekloning TTS med styrbar følelse og talestil via prompter.

Få-shot stemme kloning TTS, der replikerer enhver stemme fra kun 5 sekunder af lyd.

Human-level emotionel TTS model trænet på 100K timers taledata.

Den nyeste nul-shot stemmekloning med følelsesmæssig kontrol fra Resemble AI.

Multi-stemme tekst-til-tale fokuseret på kvalitet med autoregressiv arkitektur.

Menneske-niveau tekst-til-tale gennem stil diffusion og adversarial uddannelse.

Øjeblikkelig stemmekloning med granuleret kontrol over stil, følelser og accent.

Alibaba's flersprogede TTS med forudindstillede stemmer og stemmedesign fra tekst.

Vietnamesisk + engelsk kode-switching TTS med 7 forudindstillede stemmer og nul-shot stemme kloning. CPU-kun, ingen GPU kræves.

Konversationel talemodel skaber naturlig dialog med passende timing og følelser.

Hurtigere Chatterbox med sub-200ms latency og paralsprog tags til grin, hoste og meget mere.

Tokenizer-fri TTS producerer 44,1kHz lyd med kontekst-aware afsnit konsistens.

Ultra-letvægt 400M English TTS model kører i kun 3GB VRAM.

LLM-baserede TTS, der kører på CPU, GPU, eller browser via lama.cpp og Transformers.js.

Microsoft model til lang-form multi-højttaler indhold som podcasts og lydbøger.

Letvægts 100M parametermodel af Kyutai med stemmekloning fra en enkelt prøve.

Ultra-letvægt TTS under 80MB. Kører på CPU uden GPU.

Næste generations flersprogede TTS med bi-streaming, følelsesmæssig kontrol og nul-shot stemme kloning.

Første åbne Saudi-arabiske TTS. Native Saudi dialekt med Chatterbox-kvalitet stemme kloning.

Cross-modal Qwen3-TTS variant med FFN vægte blandet fra Qwen3-1.7B sprogmodel for skarpere flersproget kloning.

Multi-højttaler dialog continuation model generere podcast-stil samtaler med op til 5 højttalere og 60 minutters sammenhængende lyd.

Kompakt 0.5B omni-modal talemodel fra inklusionAI med high-fidelity 44.1kHz output og nul-shot stemme kloning.

Tiny 100M MOSS-TTS variant ~ samme arkitektur, 80x mindre, free-tier latency.