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.

Erreicht die niedrigste Zeichenfehlerrate bei Open-Source-TTS-Modellen.

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 Sprachklonen, voreingestellten Stimmen und Sprachgestaltung aus Text.

Gesprächssprachmodell erzeugt natürlichen Dialog mit passendem Timing und Emotion.

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

Streaming-erste Konversation TTS mit Multi-Sprecher-Dialog und paralinguistischen Stichworten.

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

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

Null-Halluzination TTS mit textakustischer Doppelausrichtung, 5x schneller als vergleichbare LLM TTS.

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.

Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.

Ultra-long 20-language TTS supporting up to 1 hour of continuous generation with phoneme-level control.

ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.