အခမဲ့ AI စာသားမှစကားပြော

82M parameters များ အလွန်မြန် ဖော်ပြချက် အသံများ ဘာသာစကား များစွာ စီးဆင်းမှုထောက်ပံ့မှု

lightweight 82M parameter model ဟာ blazing-fast inference နဲ့ စတူဒီယိုအရည်အသွေးရှိတဲ့ စကားပြောကို ပေးပို့ပေးပါတယ်။

Fast · 1.5GB VRAM စမ်းကြည့်ပါ

Piper

CPU-friendly အွန်လိုင်းမှမပါ 100+ အသံများ 30+ ဘာသာစကားများ SSML ထောက်ခံမှု

Raspberry Pi နှင့် embedded devices များအတွက် optimized ဖြစ်သော အမြန်၊ ဒေသတွင်း neurotext to speech system တစ်ခု။

Fast · 0 (CPU only) VRAM စမ်းကြည့်ပါ

VITS

End-to-end ပေါင်းစပ်ခြင်း သဘာဝ အသံထွက် အလျင်အမြန် ကောက်ချက်ချခြင်း အသံလွှင့်ကိရိယာပေါင်းစုံ

end-to-end text-to-speech အတွက် adversarial သင်ယူမှုနှင့်အတူ conditional variational autoencoder ။

Fast · 1GB VRAM စမ်းကြည့်ပါ

MeloTTS

CPU-optimized ဘာသာစကား များစွာ အသံထွက် အမျိုးမျိုး ထုတ်လုပ်ရန် အဆင်သင့်ဖြစ်သည် အချိန်ကြာမြင့်မှု နည်းပါးခြင်း

အနည်းဆုံး latency နှင့်အတူ CPU ပေါ်တွင် run သောအရည်အသွေးမြင့်ဘာသာစကားများစွာစာသား-to-စကားပြော။

Fast · 0.5GB (GPU optional) VRAM စမ်းကြည့်ပါ

Bark

အသံသက်ရောက်မှုများ ရယ်မောခြင်း/အော်ဟစ်ခြင်း ဂီတထုတ်လုပ်မှု 100+ speakers များ ဘာသာစကား များစွာ

အမှန်တကယ်စကားပြောဆိုမှု၊ ဂီတနှင့် အသံသက်ရောက်မှုများကို ထုတ်လုပ်ပေးသော Transformer-based text-to-audio ပုံစံ။

Slow · 5GB VRAM စမ်းကြည့်ပါ

Bark Small

အလင်းရောင် အပြည့်အဝ Bark ထက်ပိုမြန် စိတ်ခံစားမှုဆိုင်ရာ စကားပြောဆိုမှု ဘာသာစကား များစွာ

မြန်နှုန်းမြင့် inference နှင့်အောက်ခြေမှတ်ဉာဏ်အသုံးပြုမှုနှင့်အတူ Bark ၏အလင်း version ကို။

Medium · 2GB VRAM စမ်းကြည့်ပါ

CosyVoice 2

စီးဆင်းမှု Zero-shot ကူးယူခြင်း ဘာသာစကားပေါင်းစုံ စိတ်ခံစားမှု ထိန်းချုပ်မှု လူသား-တူညီမှု

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

Dia TTS

အသံလွှင့်ကိရိယာများ အညွှန်းစာမျက်နှာ ဖန်တီးခြင်း သဘာဝအလှည့်ယူခြင်း စိတ်ခံစားမှု ဖော်ပြချက် 1.6B parameters တွေကို

speakers များအကြားသဘာဝစကားပြောဆိုမှုဖန်တီးသော multi-speaker စကားပြောခန်းမျိုးဆက်မော်ဒယ်။

Parler TTS

အသံဖော်ပြချက် သဘာဝဘာသာစကားထိန်းချုပ်မှု ပြောင်းလွယ်ပြင်လွယ် အသံဖန်တီးမှု အသံများ မလိုအပ်ပါ

သင်လိုချင်တဲ့အသံကိုသဘာဝဘာသာစကားနဲ့ဖော်ပြပြီး Parler ကလိုက်ဖက်တဲ့စကားပြောကိုထုတ်လုပ်ပါတယ်။

GLM-TTS

အနည်းဆုံးအမှားနှုန်း အသံခိုးယူခြင်း စီးဆင်းမှု လိုက်ဖက်မှု သဘာဝ အသံထွက်

ပွင့်လင်း-ရင်းမြစ် TTS ပုံစံများအကြားအနည်းဆုံးစာလုံးအမှားနှုန်းကိုရရှိသည်။

IndexTTS-2

ခံစားမှုထိန်းချုပ်မှု Zero-shot စိတ်ခံစားမှု ဗာဂျက်များ ထုတ်ဖော်ပြောဆိုမှု အသေးစိတ် ထိန်းချုပ်မှု

မြင့်မားသော ထုတ်ဖော်ပြောဆိုမှုနှင့် ခံစားမှုထိန်းချုပ်မှုဖြင့် Zero-shot TTS

Spark TTS

အသံကို ကူးယူခြင်း စိတ်ခံစားမှု ထိန်းချုပ်မှု ပုံစံ ထိန်းချုပ်မှု မေးမြန်းချက် အခြေခံ ၅-စက္ကန့် ကူးယူခြင်း

Voice cloning TTS with controlable emotion and speaking style via prompts.

GPT-SoVITS

၅-စက္ကန့် ကူးယူခြင်း သီဆိုနေသော အသံ အနည်းငယ်-ရိုက်ချက်သင်ယူမှု အရည်အသွေးမြင့် ဘာသာစကားပေါင်းစုံ

အနည်းငယ်-ရိုက်ချက်အသံကို cloning TTS တစ်ခုတည်းအသံမှမည်သည့်အသံကို replicates5အသံ၏စက္ကန့်.

Slow · 6GB VRAM စမ်းကြည့်ပါ

Orpheus

လူသားအဆင့် ခံစားချက် 100K နာရီလေ့ကျင့်ရေး သဘာဝ အသားပေး ထုတ်ဖော်ပြောဆိုမှု

လူ့-အဆင့်ခံစားချက် TTS ပုံစံစကားပြောဒေတာ 100K နာရီအပေါ်လေ့ကျင့်.

Chatterbox

Zero-shot ကူးယူခြင်း စိတ်ခံစားမှု ထိန်းချုပ်မှု အရည်အသွေးမြင့် ပုံစံ လွှဲပြောင်းခြင်း နမူနာတစ်ခုတည်းကို ကူးယူခြင်း

Resemble AI မှ စိတ်ခံစားမှုထိန်းချုပ်မှုနှင့်အတူ ခေတ်မီသော zero-shot အသံကူးယူခြင်း။

Tortoise TTS

အရည်အသွေးအမြင့်ဆုံး အသံစုံ DALL-E ဗိသုကာ အသံကို ကူးယူခြင်း အလိုအလျောက် ပြန်ကျဆင်းခြင်း

အမျိုးမျိုးသောအသံများဖြင့် စာသားမှစကားပြောခြင်းသည် autoregressive architecture နှင့်အတူအရည်အသွေးကိုအာရုံစိုက်သည်။

Slow · 8GB VRAM စမ်းကြည့်ပါ

StyleTTS 2

လူသားအဆင့် ပုံစံ ပျံ့နှံ့မှု အငြင်းပွားဖွယ်လေ့ကျင့်ခန်း သဘာဝ ကွဲပြားမှု မြင့်မားသော တိကျမှု

ပုံစံဖြန့်ချိခြင်းနှင့် ရန်သူ့ဘက်မှ လေ့ကျင့်ခြင်းမှတစ်ဆင့် လူ့အဆင့် စာသားမှစကားပြောခြင်း။

OpenVoice

ချက်ချင်းကူးယူခြင်း အသံပြောင်းခြင်း ခံစားမှုထိန်းချုပ်မှု အသံထွက်ထိန်းချုပ်မှု ဘာသာစကား များစွာ

ပုံစံ, စိတ်ခံစားမှု, နှင့်အသံထွက်အပေါ် granular ထိန်းချုပ်မှုနှင့်အတူချက်ချင်းအသံ cloning ။

Qwen3 TTS

အသံကို ကူးယူခြင်း 9 preset အသံများ စာသားမှ အသံဒီဇိုင်း စိတ်ခံစားမှု ထိန်းချုပ်မှု 10 ဘာသာစကား

Alibaba ၏ဘာသာစကားများစွာ TTS အသံ clone, preset အသံများ, နှင့်စာသားမှအသံဒီဇိုင်းနှင့်အတူ။

Medium · 7GB VRAM စမ်းကြည့်ပါ

Sesame CSM