フリーAI テキストを音声に変換

超高速推論とスタジオ品質の音声を提供する軽量の８２Ｍパラメータモデル。

Ｒａｓｐｂｅｒｙ　Ｐａｉと組み込みデバイスに最適化した高速，ローカルなニューラルテキスト‐音声システム。

条件変分自動符号化器は，エンドツーエンドテキスト‐トゥー‐スピーチのための対抗的学習を持つ。

ＣＰＵ上で最小の遅延で動作する高品質の多言語テキストから音声への変換。

現実的な音声，音楽，音響効果を生成する変換器ベースのテキストオーディオモデル。

Ｂａｒｋの軽量化版で，推論速度が向上し，メモリ使用量が低減した。

人間パリティの自然さとゼロに近い遅延を持つアリババのスケーラブルなストリーミングＴＴＳ。

音声の自然な対話を生成するマルチスピーカ対話生成モデルを提案した。

自然言語で声を記述すると、Parler はマッチングした音声を生成します。

ゼロショットＴＴＳは，微細な感情制御と高い表現力を持つ。

プロンプトを通して感情や話し方を制御できる音声クローンＴＴＳを提案した。

音声の５秒間でどんな音声でも複製する，少しのショットで音声をクローンするＴＴＳ。

１００Ｋ時間の音声データを用いて人間レベルの感情ＴＴＳモデルを訓練した。

最新のゼロショット音声クローン 感情制御のResemble AI

自己回帰アーキテクチャを用いた質に焦点を当てた多声テキスト‐音声処理システムを提案した。

スタイル拡散と対抗訓練を通して人間レベルのテキストから音声を生成する。

スタイル，感情，アクセントの細かい制御を持つインスタント音声クローン。

Ａｌｉｂａｂａの多言語ＴＴＳは，テキストからの音声デザインと，予め設定された音声を持つ。

ベトナム語 + 英語のコードスイッチング TTS で、7 つの予定音声とゼロショット音声クローンが利用できます。CPU のみ、GPU は必要ありません。

対話モデルは，適切なタイミングと感情をもつ自然な対話を生成する。

200ms以下の遅延と笑い、咳などのパラ言語学的タグを持つより速いチャッターボックス。

４４．１ｋＨｚの音声を文脈に応じた段落一貫性で生成するトケナイザフリーＴＴＳを開発した。

超軽量の４００Ｍ英語ＴＴＳモデルで，３ＧＢのＶＲＡＭで動作する。

ＬＬＭベースのＴＴＳは、CPU、GPU、またはブラウザ上でlama.cppとTransformers.jsを介して動作する。

ポッドキャストやオーディオブックのような長い形式のマルチスピーカーコンテンツのためのマイクロソフトモデル。

単一サンプルからの音声クローンを用いたＫｙｕｔａｉによる軽量１００Ｍパラメータモデル。

80MB以下の超軽量のTTS。GPUなしのCPUで動作します。

次世代多言語ＴＴＳはバイストリーミング，感情制御，ゼロショット音声クローンを備えている。

初のオープンサウジアラビア語TTS。Chatterboxの品質の音声クローンを備えたサウジアラビアの方言。

Ｑｗｅｎ３‐１．７Ｂ言語モデルからＦＦＮ重みを混合したクロスモーダルＱｗｅｎ３‐ＴＴＳ変異体を用いて，より鋭い多言語クローニングを行った。

マルチスピーカー対話継続モデル - 最大5人のスピーカーと60分のコヒーレント音声でポッドキャストスタイルの会話を生成する。

４４．１ｋＨｚの高信頼出力とゼロショット音声クローンを持つインクリボンＡＩからの小型０．５Ｂオミニモーダル音声モデルを開発した。

Tiny 100M MOSS-TTS 変種 - 同じアーキテクチャ、80倍小型、フリー階層遅延。