IA libre Texto a vozComment

Modelo de parámetro lixeiro de 82M que ofrece voz de calidade de estudio con inferencia ultrarrápida.

Un rápido sistema neural local de síntese de voz optimizado para Raspberry Pi e dispositivos incorporados.

Codificador automático de variación condicional con aprendizaxe competitiva para a síntese de voz de principio a fin.

Texto a voz multilingüe de alta calidade que se executa na CPU cunha latencia mínima.

Modelo de transformación de texto en son baseado en transformadores que xera fala, música e efectos sonoros realistas.

Versión máis lixeira de Bark con inferencias máis rápidas e menor uso de memoria.

TTS de transmisión escalable de Alibaba con naturalidade de paridade humana e latencia case cero.

Modelo de xeración de diálogos multifalante que crea conversas naturais entre falantes.

Describa a voz que queira en linguaxe natural e Parler xerará a voz correspondente.

Consegue a taxa de erro de caracteres máis baixa entre os modelos TTS de código aberto.

TTS de tiro cero con control de emocións de gran fino e alta expresividade.

Clonaxe de voz TTS con emocións controlábeis e estilo de fala mediante mensaxes.

Clonaxe de voz TTS de poucas tomas que replica calquera voz a partir de só 5 segundos de son.

Modelo TTS emocional a nivel humano adestrado con 100K horas de datos de fala.

Clonaxe de voz de última xeración con control de emocións de Resemble AI.

Texto-a-fala multi-voz centrado na calidade cunha arquitectura autoregressiva.

Texto-a-fala a nivel humano a través da difusión de estilos e adestramento contraditorio.

Clonaxe instantánea de voz con control granular sobre estilo, emoción e acento.

O TTS multilingüe de Alibaba con clonación de voz, voces predefinidas e deseño de voz a partir de texto.

Modelo de fala conversacional que xera diálogo natural con tempo e emoción axeitados.

Chatterbox máis rápido con latencia inferior a 200 ms e etiquetas paralingüísticas para risas, toses e máis.

TTS conversacional de primeira transmisión con diálogo multifalante e pistas paralingüísticas.

TTS sen tokenizador que produce son a 44,1 kHz con consistencia de parágrafos consciente do contexto.

TTS baseado en LLM que se executa en CPU, GPU ou navegador mediante llama. cpp e Transformers. js.

TTS sen alucinacións con aliñamento dual texto-acústico, 5 veces máis rápido que o TTS LLM comparable.

Modelo de Microsoft para contidos multifalante de forma longa como podcasts e audiolibros.

Modelo de parámetros lixeiro de 100M por Kyutai con clonación de voz a partir dunha soa mostra. Name

Ultra-lightweight TTS under 80MB. Runs on CPU without 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.