Ingyenes MI Szöveg a beszédhez

Könnyű 82M paraméter modell, amely stúdió-minőségi beszéd a fénylő-gyors következtetés.

Egy gyors, helyi neurális szöveg beszéd rendszer optimalizált málna Pi és beágyazott eszközök.

Feltételes variációs autoencoder ellenféllel történő tanulással a végtől-végig szövegtől-beszédig.

Kiváló minőségű többnyelvű szöveg-to-speech, amely fut CPU minimális késéssel.

Transformer-alapú szöveg-audio modell, amely realisztikus beszéd, zene, és hanghatások.

Könnyebb változata Bark gyorsabb következtetés és kisebb memória használat.

Alibaba skálázható TTS-e emberi-paritatív természetességgel és majdnem nulla késéssel.

Multi-speaker dialógus generációs modell, amely létrehoz természetes beszélgetések hangszórók között.

Írja le a kívánt hangot természetes nyelven, és Parler generál megfelelő beszédet.

Zéró lövés TTS finoman kifinomult érzelmi kontroll és magas kifejezőképesség.

Hang klónozása TTS irányítható érzelemmel és beszédstílus segítségével prompts.

Kevés hang klónozza a TTS-t, ami lemásolja a hangot mindössze 5 másodpercnyi hangból.

Emberi szintű TTS modell, 100 ezer órányi beszédadattal.

A legmodernebb zéró hangú klónozás érzelmi irányítással Resemble AI-tól.

A többhangú szövegtől a beszédig a minőségre koncentrált, autoregresszív architektúrával.

Az emberi szintű szövegtől a beszédig a stílusdiffúziós és az ellenzői képzésen keresztül.

Azonnali hang klónozás szemcsés kontroll felett stílus, érzelem, és akcentus.

Alibaba többnyelvű TTS-e előre beállított hangokkal és szöveges hangtervezéssel.

Vietnámi + Angol kódkapcsoló TTS 7 előre beállított hangok és zéró-shot hang klónozás. CPU-csak, nincs szükség GPU.

Beszélgetési beszéd modell generál természetes párbeszéd megfelelő időzítéssel és érzelmekkel.

Gyorsabb Chatterbox szub-200 ms késés és paralinguista címkék nevetés, köhögés, és így tovább.

Tokenizer-mentes TTS 44.1kHz audio konzisztenciával.

Ultra-könnyű 400M angol TTS modell fut, mindössze 3GB VRAM.

LLM alapú TTS, amely CPU, GPU vagy böngészőn keresztül fut a lama.cpp és Transformers.js.

Microsoft modell hosszú formájú több hangszórós tartalom, mint a podcasts és audiobooks.

Könnyű 100M paraméter modell Kyutai hang klónozás egyetlen mintából.

Ultra-könnyű TTS 80MB alatt. CPU nélkül fut.

Következő generációs többnyelvű TTS bi-streaming, érzelmi kontroll, és nulla-shot hang klónozás.

Az első nyitott szaúdi-arábiai TTS, Native szaúdi dialektus Chatterbox minőségű hang klónozással.

Keresztmodális Qwen3-TTS változat FFN súlyokkal keverve a Qwen3-1.7B nyelvi modell élesebb többnyelvű klónozás.

Multi-speaker párbeszéd folytatása modell Podcast stílusú beszélgetések akár 5 hangszóró és 60 perc koherens audio.

Kompakt 0.5B omni-modális beszédmodell az includingAI-ból, nagy hűségű 44,1kHz kimenettel és zéró-shot hang klónozással.

Tiny 100M MOSS-TTS variáns, azonos architektúra, 80x kisebb, ingyenes latency.