Wolny AI Tekst do mowy

Łatwy model parametrów 82M zapewniający jakość studiów mowy z szybko plamienie.

Szybki, lokalny tekst neurologiczny do systemu mowy zoptymalizowany dla Malina Pi i wbudowanych urządzeń.

Wariantowy automatyczny koder z uczeniem się wspomagającym do końca tekst-to-speech.

Wysokiej jakości wielojęzyczny tekst-to-speech, który działa na procesorze z minimalną latencją.

Model transformer-to-audio, który generuje realistyczne mowy, muzyki i efekty dźwiękowe.

Leksza wersja Barka z szybszym wynikiem i mniejszym użyciem pamięci.

Alibaba przepływa TTS z naturalnością ludzkiej paryty i niemal zerową latencją.

Model tworzenia dialogu wielogłośnika, który tworzy naturalne rozmowy między głośnikami.

Opisz głos, który chcesz w języku naturalnym, a Parler generuje odpowiednie mowy.

Zero-postrzałowy TTS z wybitną kontrolą emocji i wysoką ekspresywnością.

Głosowe klonowanie TTS z kontrolowanym uczuciem i stylem mowy poprzez pytania.

Niewiele klonowania głosu TTS, które replikuje każdy głos z zaledwie 5 sekund dźwięku.

Model emocjonalny TTS na poziomie ludzkim wyszkolony na 100K godzinach mowy.

Najnowocześniejsze klonowanie głosu zerowego z kontrolą emocji z Resemble AI.

Wielogłosowy tekst-to-speech skupiony na jakości z architekturą autoregresywną.

Na poziomie ludzkim tekst-to-speech poprzez dyfuzję stylową i szkolenie przeciwne.

Natychmiastowe klonowanie głosu z granulową kontrolą stylu, emocji i akcentu.

Wielojęzyczny TTS Alibaby z ustawionym głosem i projektem głosu z tekstu.

Wietnamski + angielski kod przełączający TTS z 7 ustawionych głosów i klonowanie zero głosu. Tylko procesor, nie wymaga się GPU.

Konwersacyjnego modelu mowy generującego naturalny dialog z odpowiednim czasem i emocjami.

Szybciej Chatterbox z sub-200ms latencji i paralinguistycznych tagów dla śmiechu, kaszelów i innych.

Bez tokenizeru TTS produkuje dźwięk 44.1kHz z konsystencją punktu świadomego kontekstu.

Ultra-lekki model 400M angielski TTS działa w zaledwie 3GB VRAM.

TTS oparty na LLM, który działa na procesorze, GPU lub przeglądarce przez lama.cpp i Transformers.js.

Model Microsoft dla zawartości wielogłośników długoformowych, takich jak podcasty i książki audio.

Łatwy model parametrów 100M przez Kyutai z klonowaniem głosu z jednej próbki.

Ultra-lekkie TTS poniżej 80MB. Uruchomiono w procesorze bez GPU.

Kolejna generacja wielojęzyczny TTS z dwustremowym, kontrolą emocji i zerowym klonowaniem głosu.

Pierwszy otwarty saudyjski-arabski TTS. Native saudyjski dialekt z Chatterbox jakości klonowania głosu.

Wariant cross-modal Qwen3-TTS z wagami FFN mieszane z modelu językowego Qwen3-1,7B dla ostriejszego wielojęzycznego klonowania.

Model kontynuacji dialogu wielogłośników – generowanie rozmów w stylu podcastu z maksymalnie 5 głośnikami i 60 minutami spójnego dźwięku.

Kompakt 0.5B wszechmodalny model mowy z inclusionAI z wysoką wiarygodnością wyjścia 44.1kHz i zerowym klonowaniem głosu.

Miniaturowy wariant 100M MOSS-TTS – ta sama architektura, 80x mniejsza, darmowa latencja.