Libera AI Teksto- al- ParoloComment
22+ malfermkodaj modeloj, 100+ voĉoj, 32+ Lingvoj. Neniu konto necesas.
Ĉio, kion vi bezonas por voĉa AIName
26 iloj funkciigitaj de pli ol 24 malfermkodaj AI-modeloj
22+ AI voĉaj modeloj
La plej ampleksa kolekto de malfermkodaj TTS-modeloj en unu platformo
Kokoro Free
Kokoro estas 82-miliona parametra teksto-al-parolo-modelo kiu bone superas sian pezan klason. Spite sian malgrandan grandecon, ĝi produktas rimarkinde naturan kaj esprimplenan paroladon. Kokoro subtenas plurajn lingvojn inkluzive de la angla, japana, ĉina, kaj korea kun vario de esprimplenaj voĉoj. Ĝi funkcias nekredeble rapide — generante sonon preskaŭ 100-oble pli rapide ol realtempa sur GPU.
Plej bona por: Altkvalita TTS kun minimuma prokrasto, fluantaj aplikaĵoj
Provu senpage
Piper Free
Piper estas malpeza teksto-al-vorta motoro evoluigita de Rhasspy kiu uzas VITS kaj larynx arkitekturojn. Ĝi ruliĝas tute sur CPU, kio faras ĝin ideala por periferiaj aparatoj, hejma aŭtomatigo, kaj aplikaĵoj kiuj bezonas senretan TTS. Kun pli ol 100 voĉoj en pli ol 30 lingvoj, Piper liveras nature sonantan paroladon je realtempa rapideco eĉ sur Raspberry Pi 4.
Plej bona por: Rapidaj antaŭrigardoj, alirebleco, kaj enkorpigitaj aplikaĵoj
Provu senpage
VITS Free
VITS (Variaciona Inferigo kun Kontraŭstara Lernado por Fina Fina Tekst- al- Parola Metodo) estas paralela fin- al- fina TTS- metodo kiu generas pli nature sonantan sonon ol nunaj du- paŝaj modeloj. Ĝi adoptas variacionan inferigon plifortigitan per normaligaj fluoj kaj kontraŭstara trejna procezo, atingante signifan plibonigon en natureco.
Plej bona por: Ĝeneraluzebla teksto-al-vorto kun natura prozodioName
Provu senpage
MeloTTS Free
MeloTTS de MyShell. ai estas multlingva TTS- biblioteko subtenanta la anglan (usonan, britan, hindan, aŭstralian), la hispanan, la francan, la ĉinan, la japanan, kaj la korean. Ĝi estas ekstreme rapida, traktante tekston je preskaŭ realtempa rapideco nur per CPU. MeloTTS estas desegnita por produkta uzo kaj subtenas kaj CPU kaj GPU- dedukton.
Plej bona por: Produktivaj aplikaĵoj kiuj bezonas rapidan, multlingvan TTS
Provu senpage
Bark Standard
Transform-bazita teksto-al-aŭda modelo kiu generas realisman paroladon, muzikon, kaj sonajn efektojn.
Programisto: Suno · Licenco: MIT
Provu ĝin
Bark Small Standard
Malpeza versio de Bark kun pli rapida deduktado kaj pli malalta memoro-uzo.
Programisto: Suno · Licenco: MIT
Provu ĝin
CosyVoice 2 Standard
Alibaba's skalebla streaming TTS kun homa-pareco natureco kaj preskaŭ nula latenteco.
Programisto: Alibaba (Tongyi Lab) · Licenco: Apache 2.0
Provu ĝin
Dia TTS Standard
Multi-parolanto dialogo generacio modelo kiu kreas naturajn konversaciojn inter parolantoj.
Programisto: Nari Labs · Licenco: Apache 2.0
Provu ĝin
Parler TTS Standard
Priskribu la voĉon kiun vi volas en natura lingvo kaj Parler kreos kongruan paroladon.
Programisto: Hugging Face · Licenco: Apache 2.0
Provu ĝin
IndexTTS-2 Standard
Ĝenerale oni parolas pri TTT-legilo, kiu havas bonan grafikan interfacon kaj altan rapidecon.
Programisto: Index Team · Licenco: Apache 2.0
Provu ĝin
Spark TTS Standard
Voĉo klonado TTS kun kontrolata emocio kaj parola stilo tra alvokoj.
Programisto: SparkAudio · Licenco: Apache 2.0
Provu ĝin
GPT-SoVITS Standard
Kelkaj voĉoj klonado TTS kiu replikas ajnan voĉon de nur 5 sekundoj de aŭdo.
Programisto: RVC-Boss · Licenco: MIT
Provu ĝin
Orpheus Standard
100.000 horoj da parolaj datumoj.
Programisto: Canopy Labs · Licenco: Llama 3.2 Community
Provu ĝin
Qwen3 TTS Standard
Alibaba's multlingva TTS kun voĉo klonado, antaŭdifinitaj voĉoj, kaj voĉo dezajno de teksto.
Programisto: Alibaba (Qwen) · Licenco: Apache 2.0
Provu ĝin
Chatterbox Premium
Ŝtata-de-la-arto zero-shot voĉo klonado kun emocia kontrolo de Resemble AI.
Kvalito:
Provu ĝin
Tortoise TTS Premium
Plurvoĉa teksto-al-parolo fokusiĝas je kvalito kun aŭtoregresiva arkitekturo.
Kvalito:
Provu ĝin
StyleTTS 2 Premium
Teksto-al-parolo je homa nivelo per stila disvastigo kaj kontraŭstara trejnado.
Kvalito:
Provu ĝin
OpenVoice Premium
Tuja voĉo klonado kun granulara kontrolo super stilo, emocio, kaj akcento.
Kvalito:
Provu ĝinCosyVoice 2
Alibaba's skalebla streaming TTS kun homa-pareco natureco kaj preskaŭ nula latenteco.
Lingvoj: en, zh, ja, ko, fr, de, it, es
Kloni voĉonIndexTTS-2
Ĝenerale oni parolas pri TTT-legilo, kiu havas bonan grafikan interfacon kaj altan rapidecon.
Lingvoj: en, zh
Kloni voĉonSpark TTS
Voĉo klonado TTS kun kontrolata emocio kaj parola stilo tra alvokoj.
Lingvoj: en, zh
Kloni voĉonGPT-SoVITS
Kelkaj voĉoj klonado TTS kiu replikas ajnan voĉon de nur 5 sekundoj de aŭdo.
Lingvoj: en, zh, ja, ko
Kloni voĉonChatterbox
Ŝtata-de-la-arto zero-shot voĉo klonado kun emocia kontrolo de Resemble AI.
Lingvoj: en
Kloni voĉonTortoise TTS
Plurvoĉa teksto-al-parolo fokusiĝas je kvalito kun aŭtoregresiva arkitekturo.
Lingvoj: en
Kloni voĉonOpenVoice
Tuja voĉo klonado kun granulara kontrolo super stilo, emocio, kaj akcento.
Lingvoj: en, zh, ja, ko, fr, de, es, it
Kloni voĉonQwen3 TTS
Alibaba's multlingva TTS kun voĉo klonado, antaŭdifinitaj voĉoj, kaj voĉo dezajno de teksto.
Lingvoj: en, zh, ja, ko, de, fr, ru, pt, es, it
Kloni voĉonProgramisto-unua API
OpenAI-kongrua REST API. Unu finpunkto, pli ol 22 modeloj. Subteno de fluado por realtempaj aplikaĵoj.
- OpenAI-kongrua formato
- Flua TTS por realtempaj aplikaĵoj
- Batch- prilaborado por grandaj taskoj
- Webhook-atentigoj
import requests
response = requests.post(
"https://api.tts.ai/v1/tts/",
headers={"Authorization": "Bearer sk-tts-xxx"},
json={
"model": "kokoro",
"text": "Hello from TTS.ai!",
"voice": "af_bella",
}
)
with open("output.mp3", "wb") as f:
f.write(response.content)Simpla, Travidebla Prezigo
Komencu libera. Skaliĝu dum vi kreskas.
Libera
50 kreditoj
- Kokoro, Piper, VITS, MeloTTS
- Limito de 500 signoj
- 3 gen/ horo (sen konto)
Pro
2,000 kreditoj/monato
- Ĉio en Startilo
- API- aliro
- Prioritata prilaborado
Enterpriseusa. kgm
10,000 kreditoj/monato
- Ĉio en Pro
- Bulka API
- Prioritata vico
Oftaj demandoj
Komenci uzi AI-voĉon hodiaŭ
Aliĝi al kreintoj, programistoj kaj entreprenoj uzantaj TTS.ai