IA livre Texto ao Discurso

Modelo de parâmetro leve 82M que fornece fala de qualidade de estúdio com inferência rápida e ardente.

Um texto neural rápido e local para o sistema de fala otimizado para Raspberry Pi e dispositivos incorporados.

Autoencodador variacional condicional com aprendizagem adversarial para texto a voz.

Texto para voz multilingue de alta qualidade que funciona na CPU com latência mínima.

Modelo text-to-audio baseado em transformadores que gera efeitos realistas de fala, música e som.

Versão mais leve de Bark com inferência mais rápida e menor uso de memória.

A escalable streaming TTS da Alibaba com naturalidade de paridade humana e latência perto de zero.

Modelo de geração de diálogo multi-falantes que cria conversas naturais entre alto-falantes.

Descreva a voz que você quer em linguagem natural e o Parler gera fala correspondente.

TTS zero-hot com controle de emoções finamente cerâmico e alta expressividade.

Clonagem de voz TTS com emoção controlável e estilo de fala através de prompts.

Poucas vozes de clonagem TTS que replica qualquer voz a partir de apenas 5 segundos de áudio.

Modelo de TTS emocional de nível humano treinado em 100K horas de dados de fala.

Clonagem de voz de última geração com controle emotivo da IA Resemble.

Texto para voz multi-voz focado na qualidade com arquitetura autorregressiva.

Texto a voz humana através da difusão do estilo e do treinamento adversario.

clonagem de voz instantânea com controle granular sobre estilo, emoção e acento.

O TTS multilingue da Alibaba com vozes predefinidas e design de voz do texto.

Vietnamita + Inglês TTS com 7 vozes predefinidas e clonagem de voz zero. Só CPU, não é necessário GPU.

Modelo de fala conversacional gerando diálogo natural com tempo e emoção adequados.

Chatterbox mais rápido com latência sub-200ms e tags paralinguísticos para rir, tosse e muito mais.

TTS sem tokenizador que produz áudio de 44,1kHz com consistência de parágrafos conscientes do contexto.

Modelo TTS Inglês Ultra-Lightweight 400M executando-se em apenas 3GB VRAM.

TTS baseado em LLM que funciona em CPU, GPU ou navegador via lama.cpp e Transformers.js.

Modelo Microsoft para conteúdo multi-falante de forma longa, como podcasts e audiobooks.

Modelo de parâmetro de 100M leve por Kyutai com clonagem de voz de uma única amostra.

TTS ultra-luz sob 80MB. Execução na CPU sem GPU.

TTS multilingue de próxima geração com bi-streaming, controle de emoções e clonagem de voz zero-shot.

Primeiro aberto Saudi-Arabic TTS. Dialeto nativo saudita com clonagem de voz de qualidade Chatterbox.

Variante cross-modal Qwen3-TTS com pesos FFN misturados do modelo de linguagem Qwen3-1.7B para clonagem multilingue mais afiada.

Modelo de continuação de diálogo multi-falantes — gerar conversas em estilo podcast com até 5 alto-falantes e 60 minutos de áudio coerente.

Modelo compacto de fala omni-modal 0,5B a partir da inclusãoAI com alta fidelidade 44,1kHz saída e clonagem de voz zero.

Tiny 100M variante MOSS-TTS — a mesma arquitetura, 80x menor, latência de nível livre.