Ledig AI Tekst til tale

En modell med en lettvekts 82M-parameter som leverer studio-kvalitetstale med hurtig blending.

En rask, lokal neural tekst til talesystemet som er optimalisert for Raspberry Pi og innebygd utstyr.

Betinget variasjon i autoencoder med antagonistisk læring for ende-til-ende tekst-til-tale.

Høykvalitets flerspråklig tekst-til-tale som kjører på CPU med minimal latens.

Transformer-basert tekst-til-lyd-modell som genererer realistisk tale, musikk og lydeffekter.

Lysere versjon av Bark med raskere unøyaktighet og lavere minnebruk.

Alibaba skalerbare streaming TTS med menneskelig-paritet naturlighet og nær-null latency.

Generasjonsmodell med flere høyttalere som skaper naturlige samtaler mellom høyttalere.

Beskriv stemmen du vil ha i naturlig språk, og Parler genererer tilsvarende tale.

Oppnår den laveste tegnfeilraten blant TTS-modeller med åpen kildekode.

TTS uten skudd med finkornet følelseskontroll og høy ekspressivitet.

Stemmekloning TTS med styrbare følelser og talestil via spørsmål.

Få skuddsstemme kloning TTS som replikerer enhver stemme fra bare 5 sekunders lyd.

Emosjonell TTS-modell på menneskenivå, opplært på 100 K timers taledata.

Det nåværende utviklingstrinn i teknikken «null-skudds-tale kloning» med følelseskontroll fra AI-enheten som kan gjenopprettes.

Tekst til tale med flere tale, med fokus på kvalitet med autoregressiv arkitektur.

Tekst-til-tale på menneskenivå gjennom style diffusion og antagonistisk opplæring.

Øyeblikkelig stemmekloning med granulert styring av stil, følelser og aksent.

Alibabas flerspråklige TTS med stemmekloning, forhåndsinnstilte stemmer og stemmedesign fra tekst.

Samtalebasert talemodell som skaper naturlig dialog med passende tidspunkter og følelser.

Raskere Chatterbox med sub-200ms latency og paralinguistiske tagger for latter, hoster, og mer.

Streaming-first conversational TTS med dialog med flere høyttalere og paralinguistiske referanser.

Tokenizer-fri TTS som produserer 44,1 kHz lyd med punktkonsistens med hensyn til kontekst.

LLM-basert TTS som kjører på CPU, GPU eller nettleser via llama.cpp og Transformers.js.

Nullhallucinasjon TTS med tekstakustisk dobbelt innstilling, 5x raskere enn sammenlignbar LLM TTS.

Microsoft-modell for langformet flertalerinnhold som podkaster og lydbøker.

Lettvekts-parametermodell på 100 M av Kyutai med talekloning fra én enkelt prøve.

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

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

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

ByteDance's sparse alignment TTS with adjustable intelligibility vs. speaker similarity.