Freie KI Text in die Rede

Leichtes 82M-Parametermodell, das Studio-Qualitätssprache mit glühender, schneller Inferenz liefert.

Ein schnelles, lokales neuronales Text-zu-Sprechsystem, optimiert für Raspberry Pi und eingebettete Geräte.

Bedingter Variations-Autoencoder mit konversatorischem Lernen für End-to-End-Text-to-Speech.

Hochwertige mehrsprachige Text-zu-Speech, die auf CPU mit minimaler Latenz läuft.

Transformer-basiertes Text-zu-Audio-Modell, das realistische Sprach-, Musik- und Soundeffekte erzeugt.

Leichtere Version von Bark mit schnellerem Rückschluss und geringerem Speicherverbrauch.

Alibabas skalierbares Streaming-TTS mit menschlicher Parität und nahezu Null Latenz.

Multi-Lautsprecher-Dialog-Generierungsmodell, das natürliche Gespräche zwischen Lautsprechern erzeugt.

Beschreiben Sie die gewünschte Stimme in natürlicher Sprache und Parler erzeugt passende Sprache.

Zero-shot TTS mit feinkörniger Emotionskontrolle und hoher Expressivität.

Sprachklonieren von TTS mit kontrollierbarer Emotion und Sprechstil über Eingabeaufforderung.

Wenige Schüsse Stimme Klonen TTS, die jede Stimme von nur 5 Sekunden Audio repliziert.

Emotionales TTS-Modell auf menschlicher Ebene, das auf 100K Stunden Sprachdaten trainiert wurde.

Modernste Zero-Shot-Stimme, die mit Emotionskontrolle von Resemble KI klont.

Multi-Voice-Text-to-Speech konzentrierte sich auf Qualität mit autoregressiver Architektur.

Text-zu-Sprechen auf menschlicher Ebene durch Stildiffusion und konversarisches Training.

Sofortige Stimme klont mit granularer Kontrolle über Stil, Emotion und Akzent.

Alibabas mehrsprachiges TTS mit voreingestellten Stimmen und Sprachgestaltung aus Text.

Vietnamesisch + Englisch code-switching TTS mit 7 voreingestellten Stimmen und Null-Shot-Stimme Klonen. CPU-only, keine GPU erforderlich.

Gesprächssprachmodell erzeugt natürlichen Dialog mit passendem Timing und Emotion.

Schnellere Chatterbox mit Sub-200ms Latenz und paralinguistischen Tags für Lachen, Husten und mehr.

Tokenizer-freies TTS, das 44,1kHz Audio mit kontext-aware Absatzkonsistenz produziert.

Ultraleicht 400M Englisches TTS-Modell läuft in nur 3GB VRAM.

LLM-basierte TTS, die auf CPU, GPU oder Browser über llama.cpp und Transformers.js läuft.

Microsoft-Modell für langformige Multi-Lautsprecher-Inhalte wie Podcasts und Hörbücher.

Leichtgewichtiges 100M-Parametermodell von Kyutai mit Sprachklonung aus einer einzigen Probe.

Ultraleichte TTS unter 80MB. Läuft auf CPU ohne GPU.

Mehrsprachige TTS der nächsten Generation mit Bi-Streaming, Emotionskontrolle und Zero-Shot-Stimme-Klonen.

Erste offene saudisch-arabische TTS. Eingeborener saudischer Dialekt mit Chatterbox-Qualität Stimme Klonen.

Die modale Qwen3-TTS-Variante mit FFN-Gewichten wurde aus dem Qwen3-1.7B-Sprachmodell für schärferes Mehrsprachiges Klonen gemischt.

Multi-Sprecher Dialog Fortsetzung Modell — erzeugen Podcast-Stil Gespräche mit bis zu 5 Lautsprechern und 60 Minuten kohärente Audio.

Kompaktes 0.5B omnimodales Sprachmodell von inclusionAI mit High-Fidelity 44,1kHz Ausgang und Zero-Shot-Stimme-Klonen.

Tiny 100M MOSS-TTS-Variante — gleiche Architektur, 80x kleinere, freie Latenz.