AI ឥត​គិត​ថ្លៃ អត្ថបទ​ទៅ​ការ​និយាយ

ប៉ារ៉ាម៉ែត្រ 82M រហ័សបំផុត សំឡេងបង្ហាញ ភាសាច្រើន ការគាំទ្រស្ទ្រីម

ម៉ូដែលប៉ារ៉ាម៉ែត្រស្រាល 82M ផ្គត់ផ្គង់ការនិយាយដែលមានគុណភាពស្ទូឌីយោជាមួយនឹងការសន្និដ្ឋានលឿនលឿន។

Fast · 1.5GB VRAM សាកល្បង

Piper

ស៊ីភីយូដែលមានសុវត្ថិភាព ក្រៅបណ្ដាញអាចធ្វើបាន សំឡេង ១០០+ 30+ ភាសា ការគាំទ្រ SSML

ប្រព័ន្ធអត្ថបទទៅការនិយាយដែលបានធ្វើឲ្យប្រសើរសម្រាប់ Raspberry Pi និងឧបករណ៍ដែលបានបង្កប់ដោយប្រព័ន្ធសរសៃប្រសាទមូលដ្ឋានដែលលឿន ។

Fast · 0 (CPU only) VRAM សាកល្បង

VITS

ការសំយោគពីចុងទៅចុង ព្យាង្គធម្មជាតិ ការសន្និដ្ឋានរហ័ស ធុងបាសច្រើន

កម្មវិធីអ៊ិនកូដស្វ័យប្រវត្តិដែលមានលក្ខខណ្ឌដែលមានការរៀនដែលមានការប្រកួតប្រជែងសម្រាប់អត្ថបទទៅការនិយាយពីចុងទៅចុង & # 160; ។

Fast · 1GB VRAM សាកល្បង

MeloTTS

បានធ្វើឲ្យស៊ីភីយូប្រសើរ ភាសាច្រើន វណ្ណយុត្តច្រើន រួចរាល់សម្រាប់ផលិតកម្ម ការពន្យារទាប

អត្ថបទទៅការនិយាយជាច្រើនភាសាគុណភាពខ្ពស់ដែលរត់លើស៊ីភីយូជាមួយនឹងការពន្យារអប្បបរមា & # 160; ។

Fast · 0.5GB (GPU optional) VRAM សាកល្បង

Bark

បែបផែនសំឡេង ញញឹម / យំ ការបង្កើតតន្ត្រី ឧបករណ៍និយាយ 100+ ភាសាច្រើន

ម៉ូដែលអត្ថបទទៅអូឌីយ៉ូដែលមានមូលដ្ឋានលើបម្លែង ដែលបង្កើតការនិយាយពិត តន្ត្រី និងបែបផែនសំឡេង & # 160; ។

Slow · 5GB VRAM សាកល្បង

Bark Small

ទម្ងន់ស្រាល រហ័សជាងស្រទាប់ពេញ ការនិយាយដែលមានអារម្មណ៍ ភាសាច្រើន

កំណែស្រាលជាងរបស់ Bark ដែលមានការសន្និដ្ឋានលឿនជាង និងការប្រើសតិទាបជាង & # 160; ។

Medium · 2GB VRAM សាកល្បង

CosyVoice 2

ស្ទ្រីម ការក្លូន Zero- Shot ភាសាចម្រុះ ការត្រួតពិនិត្យអារម្មណ៍ ភាពស្មើគ្នារបស់មនុស្ស

Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.

Dia TTS

ធុងបាសច្រើន ការបង្កើតប្រអប់ បង្វិលដោយធម្មជាតិ កន្សោមអារម្មណ៍ ប៉ារ៉ាម៉ែត្រ 1. 6B

ម៉ូដែលបង្កើតប្រអប់អ្នកនិយាយច្រើនដែលបង្កើតការសន្ទនាធម្មជាតិរវាងអ្នកនិយាយ & # 160; ។

Parler TTS

ការពិពណ៌នាសំឡេង វត្ថុបញ្ជាភាសាធម្មជាតិ ការបង្កើតសំឡេងដែលអាចបត់បែនបាន គ្មានសំឡេងដែលបានកំណត់ជាមុនដែលត្រូវការទេ

ពិពណ៌នាសំឡេងដែលអ្នកចង់បានជាភាសាធម្មជាតិ ហើយ Parler បង្កើតការនិយាយដែលផ្គូផ្គង & # 160; ។

GLM-TTS

អត្រាកំហុសទាបបំផុត ការក្លូនសំឡេង ការផ្គូផ្គងលំហូរ ព្យាង្គធម្មជាតិ

សម្រេចអត្រាកំហុសតួអក្សរទាបបំផុតក្នុងចំណោមម៉ូដែល TTS ប្រភពបើកចំហ & # 160; ។

IndexTTS-2

ត្រួតពិនិត្យអារម្មណ៍ គ្រាប់សូន្យ វ៉ិចទ័រអារម្មណ៍ ការនិយាយដែលបង្ហាញ វត្ថុបញ្ជាមានគ្រាប់ល្អិត

Zero-shot TTS ជាមួយការត្រួតពិនិត្យអារម្មណ៍ល្អិតល្អន់ និងការបង្ហាញខ្ពស់ & # 160; ។

Spark TTS

ការក្លូនសំឡេង ការត្រួតពិនិត្យអារម្មណ៍ វត្ថុបញ្ជារចនាប័ទ្ម ផ្អែកលើការសួរ ក្លូន៥វិនាទី

ក្លូនសំឡេង TTS ជាមួយអារម្មណ៍ដែលអាចត្រួតពិនិត្យបាន និងរចនាប័ទ្មនិយាយតាមរយៈការជូនដំណឹង ។

GPT-SoVITS

ក្លូន ៥ វិនាទី សំឡេងច្រៀង ការរៀនតិចតួច ភាពត្រឹមត្រូវខ្ពស់ ភាសាចម្រុះ

សំឡេងខ្លីដែលបានចម្លង TTS ដែលចម្លងសំឡេងណាមួយពីតែ៥ វិនាទីនៃអូឌីយ៉ូ ។

Slow · 6GB VRAM សាកល្បង

Orpheus

អារម្មណ៍កម្រិតមនុស្ស 100K ម៉ោងនៃការបណ្តុះបណ្តាល ការបន្លិចធម្មជាតិ ការនិយាយដែលបង្ហាញ

ម៉ូដែល TTS កម្រិតមនុស្សដែលមានអារម្មណ៍ត្រូវបានបណ្តុះបណ្តាលលើ 100K ម៉ោងនៃទិន្នន័យនិយាយ។

Chatterbox

ក្លូន Zero- shot ត្រួតពិនិត្យអារម្មណ៍ ភាពត្រឹមត្រូវខ្ពស់ ផ្ទេររចនាប័ទ្ម ក្លូនគំរូតែមួយ

state-of-the-art សំឡេងក្លែងក្លាយដោយគ្មានការបាញ់ដោយមានការត្រួតពិនិត្យអារម្មណ៍ពី Resemble AI ។

Tortoise TTS

គុណភាពខ្ពស់បំផុត សំឡេងច្រើន ស្ថាបត្យកម្ម DALL- E ការក្លូនសំឡេង ថយក្រោយដោយស្វ័យប្រវត្តិ

អត្ថបទទៅការនិយាយសំឡេងច្រើនផ្តោតលើគុណភាពជាមួយស្ថាបត្យកម្មត្រឡប់ទៅវិញដោយស្វ័យប្រវត្តិ & # 160; ។

Slow · 8GB VRAM សាកល្បង

StyleTTS 2

កម្រិតមនុស្ស ការបែងចែករចនាប័ទ្ម ការហ្វឹកហាត់ប្រកួតប្រជែង ភាពខុសគ្នាធម្មជាតិ ភាពត្រឹមត្រូវខ្ពស់

អត្ថបទទៅជាការនិយាយកម្រិតមនុស្សតាមរយៈការពង្រីករចនាប័ទ្ម និងការបណ្តុះបណ្តាលដែលមានការប្រកួតប្រជែង & # 160; ។

OpenVoice

ក្លូនភ្លាមៗ ការបម្លែងសំឡេង ត្រួតពិនិត្យអារម្មណ៍ វត្ថុបញ្ជាវណ្ណយុត្ត ភាសាច្រើន

ការក្លូនសំឡេងភ្លាមៗជាមួយការត្រួតពិនិត្យក្រឡាលើរចនាប័ទ្ម អារម្មណ៍ និងសំឡេងរំខាន ។

Qwen3 TTS

ការក្លូនសំឡេង ៩ សំឡេងកំណត់ជាមុន ការរចនាសំឡេងពីអត្ថបទ ត្រួតពិនិត្យអារម្មណ៍ ភាសា

Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text ។

Medium · 7GB VRAM សាកល្បង

Sesame CSM

ការនិយាយ កាលបរិច្ឆេទធម្មជាតិ បង្វិល ឆានែលខាងក្រោយ ប៉ារ៉ាម៉ែត្រ 1B

ម៉ូដែលការនិយាយការសន្ទនាបង្កើតប្រអប់ធម្មតាជាមួយពេលវេលាសមរម្យ និងអារម្មណ៍ & # 160; ។

Slow · 8GB VRAM សាកល្បង

Chatterbox Turbo

ភាពយឺតក្រោម- ២០០ ម. វិ. ស្លាកភាសាប៉ារ៉ា ពេលវេលាពិត ៦x ការក្លូនសំឡេង សម្គាល់ទឹក

Chatterbox រហ័សជាងមុនជាមួយនឹងការរង់ចាំក្រោម 200ms និងស្លាក paralinguistic សម្រាប់ការញញឹម ហៀរក និងច្រើនទៀត ។

Fast · 2GB VRAM សាកល្បង

Dia 2

លទ្ធផលស្ទ្រីម ធុងបាសច្រើន ពន្យារទាប សញ្ញាបច្ចេកទេសភាសា លទ្ធផលរហូតដល់ ២ នាទី

ស្ទ្រីមដំបូងការសន្ទនា TTS ជាមួយនឹងប្រអប់អ្នកនិយាយច្រើន និងសញ្ញាភាសាបច្ចេកទេស ។

VoxCPM

អូឌីយ៉ូ 44. 1kHz គ្មានកម្មវិធីបង្កើតនិមិត្តសញ្ញា ការក្លូនភាសាចម្រុះ បរិបទដែលមានចំណាប់អារម្មណ៍ ការលៃតម្រូវលម្អិត LoRA

Tokenizer- ឥតគិតថ្លៃ TTS ផលិត 44. 1kHz អូឌីយ៉ូ ជាមួយ បរិបទ- ដឹង មាត្រា ភាព ឆបគ្នា.

OuteTTS

ការសន្និដ្ឋានរបស់ស៊ីភីយូ ការសន្និដ្ឋានកម្មវិធីរុករក ការក្លូនសំឡេង កម្មវិធីខាងក្រោយច្រើន ទម្រង់អ្នកនិយាយ

LLM-based TTS ដែលរត់នៅលើ CPU, GPU, ឬកម្មវិធីរុករកតាមរយៈ llama.cpp និង Transformers.js ។

Fast · 2GB VRAM សាកល្បង

TADA

គ្មានការមើលឃើញខុសធម្មតា 5x រហ័សជាង LLM TTS កន្សោមអារម្មណ៍ បរិបទអូឌីយ៉ូ ៧០០s ការតម្រឹមទ្វេដង

Zero-ការភាន់ច្រឡំ TTS ជាមួយអត្ថបទ-acoustic ពីរការតម្រឹម, 5x រហ័សជាងអាចប្រៀបធៀបបាន LLM TTS.

Fast · 5GB VRAM សាកល្បង

VibeVoice

ធុងបាសច្រើន រហូតដល់ ៩០ នាទី ការបង្កើតផតខាស់ ភាពឆបគ្នារបស់អ្នកនិយាយ ស្ទ្រីម ២០០ ម. អេ.

ម៉ូដែល Microsoft សម្រាប់មាតិកាអ្នកនិយាយច្រើនបែបបទវែងដូចជាផតខាស់ និងសៀវភៅអូឌីយ៉ូ & # 160; ។

Pocket TTS

ប៉ារ៉ាម៉ែត្រ 100M ការសន្និដ្ឋានរបស់ស៊ីភីយូ ការក្លូនសំឡេង ក្លូនគំរូតែមួយ ត្រៀមជាស្រេចសម្រាប់គែម

ម៉ូដែលប៉ារ៉ាម៉ែត្រ 100M ស្រាលដោយ Kyutai ជាមួយការចម្លងសំឡេងពីគំរូតែមួយ។

Fast · 1GB VRAM សាកល្បង

Kitten TTS

CPU-only inference Under 80MB model size 8 built-in voices Speed control ONNX-based 24kHz output

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

Fast · 0GB VRAM សាកល្បង

CosyVoice3

Bi-streaming Emotion control Voice cloning Speed/volume control Instruction following

Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.

MOSS-TTS

Ultra-long generation 20 languages Voice cloning Duration control Pronunciation control Code-switching

Ultra-long 20-language TTS supporting up to 1 hour of continuous generation with phoneme-level control.

Medium · 16GB VRAM សាកល្បង

MegaTTS3