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.

Fala de alta calidade para máis de 8 linguas indias con control de voz en linguaxe natural.

Texto-para-fala en tailandés con opción de voz.

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.

TTS con conmutación de código vietnamita + inglés con 7 voces predefinidas e clonación de voz sen disparos. Só CPU, non se require GPU. Name

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

Modelo ultraligeiro de 400M executándose en só 3GB de VRAM con soporte de clonación de voz.

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

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

TTS ultraligeiro con menos de 80MB. Execútase en CPU sen GPU.

TTS multilingüe de próxima xeración con bi-streaming, control de emocións e clonación de voz sen disparos.

O primeiro TTS aberto en árabe saudita. Dialecto saudita nativo con clonación de voz de calidade Chatterbox.

Variante cross- modal de Qwen3- TTS con pesos FFN mesturados do modelo de linguaxe Qwen3- 1. 7B para unha clonación multilingüe máis nítida.

Modelo de continuidade de diálogo multifalante — xera conversas ao estilo de podcast con ata 5 falantes e 60 minutos de son coherente.

Modelo de voz omnimodal compacto de 0,5B de inclusionAI con saída de alta fidelidade de 44,1 kHz e clonación de voz sen disparos.

Variante MOSS-TTS de 100M minúscula — mesma arquitectura, 80x menor, latencia de capa libre.

Turkish-only speech at 48 kHz from a compact flow-matching model.