IA libre Texto a hablar

Modelo de parámetro ligero 82M que ofrece un discurso de calidad de estudio con una rápida inferencia.

Un sistema de texto neuronal a voz rápido y local optimizado para Raspberry Pi y dispositivos integrados.

Autoencoder condicional con aprendizaje contradictorio para texto a voz de extremo a extremo.

Texto a voz multilingüe de alta calidad que se ejecuta en la CPU con una latencia mínima.

Modelo de texto a audio basado en transformadores que genera efectos de voz, música y sonido realistas.

Versión más ligera de Bark con una inferencia más rápida y un menor uso de memoria.

La escalable transmisión TTS de Alibaba con naturalidad de paridad humana y latencia casi cero.

Modelo de generación de diálogos multi-parlantes que crea conversaciones naturales entre altavoces.

Describa la voz que desea en lenguaje natural y Parler genera el discurso correspondiente.

TTS de tiro cero con control emocional de grano fino y alta expresividad.

Clonación de voz TTS con emoción controlable y estilo de habla a través de avisos.

Pocas imágenes de clonación de voz TTS que replica cualquier voz de sólo 5 segundos de audio.

Modelo de TTS emocional a nivel humano entrenado en datos de 100K horas de habla.

La clonación de voz de última generación con cero disparos con control de emociones de Resemble AI.

Texto a voz multi-voz centrado en la calidad con arquitectura autorregresiva.

Texto a voz a nivel humano a través de la difusión de estilos y la formación contradictoria.

Clonación instantánea de voz con control granular sobre el estilo, la emoción y el acento.

TTS multilingüe de Alibaba con voces preestablecidas y diseño de voz a partir de texto.

Vietnamita + Inglés conmutador de código TTS con 7 voces preestablecidas y clonación de voz de cero disparos. Sólo CPU, no se requiere GPU.

Modelo de habla conversacional que genera diálogo natural con el momento y la emoción adecuados.

Chatterbox más rápido con latencia sub-200ms y etiquetas paralingüísticas para risas, tos y más.

TTS sin tokenizador que produce audio de 44.1kHz con consistencia de párrafo consciente del contexto.

Ultra ligero 400M modelo TTS Inglés que se ejecuta en sólo 3 GB VRAM.

TTS basado en LLM que se ejecuta en CPU, GPU o navegador a través de llama.cpp y Transformers.js.

Modelo de Microsoft para contenido multi-parlante de forma larga como podcasts y audiolibros.

Modelo de parámetro ligero 100M de Kyutai con clonación de voz de una sola muestra.

TTS ultraligero por debajo de 80MB. Se ejecuta en la CPU sin GPU.

TTS multilingüe de próxima generación con bi-streaming, control de emociones y clonación de voz de tiro cero.

Primer TTS abierto saudí-árabe. Dialéctico nativo saudí con clonación de voz de calidad Chatterbox.

Variante transmodal Qwen3-TTS con pesos FFN mezclados con el modelo de lenguaje Qwen3-1.7B para una clonación multilingüe más aguda.

Modelo de continuación del diálogo multi-parlante: generar conversaciones al estilo de podcast con hasta 5 altavoces y 60 minutos de audio coherente.

Modelo compacto de habla omnimodal 0.5B de inclusionAI con salida de 44.1kHz de alta fidelidad y clonación de voz de cero disparos.

Tiny 100M MOSS-TTS variante — la misma arquitectura, 80 veces más pequeña, latencia de nivel libre.