AI liberă Text la discurs

Model de parametraj uşor 82M care oferă un discurs de calitate studio cu inferenţă rapidă.

Un text neuronal rapid, local pentru sistemul de voce optimizat pentru Raspberry Pi și dispozitive încorporate.

Autoencodator variabil condiționat cu învățare adversarie pentru text-la-end-speech.

Text-to-speech multilingv de înaltă calitate care funcționează pe CPU cu latență minimă.

Model text-to-audio bazat pe transformatori care generează efecte realiste de vorbire, muzica și sunet.

Versiune mai ușoară a Bark cu o inferință mai rapidă și o utilizare mai mică a memoriei.

TTS de streaming scalabil al lui Alibaba cu naturalitate umană-paritate și latență aproape zero.

Model de generare de dialog multi-speaker care creează conversații naturale între vorbitori.

Descrieți vocea pe care doriți în limba naturală și Parler generează vorbire potrivită.

TTS zero-shot cu control de emoții fin-grained și mare expresibilitate.

Clonarea vocală TTS cu emoție controlabilă și stil de vorbire prin prompte.

Puţine vocală de clonare TTS care repetă orice voce de la doar 5 secunde de audio.

Modelul emoţional de TTS la nivel uman instruit pe 100K de ore de date de vorbire.

Vocea de ultimă generaţie, cu un control de emoţie de la Resemble AI.

Multi-voce text-to-speech se concentrează pe calitate cu arhitectura autorregressivă.

Textul la speech la nivel uman prin difuzarea stilului si formarea adversariala.

Clonarea vocală instantană cu control granular asupra stilului, emoţiei şi accentului.

TTS multilingv al lui Alibaba cu voce predefinită și design vocal din text.

Vietnameză + engleză TTS-switching de cod cu 7 voci preconizate și de clonare vocală zero-shot. numai CPU-, nu este necesar GPU.

Modelul de vorbire de conversație generarea dialogului natural cu timp și emoție adecvat.

Mai rapid Chatterbox cu latență sub-200ms și etichete paralinguiste pentru râsete, tuse, și mai mult.

TTS fără tokenizare producând audio 44.1kHz cu consecvența paragrafului context-aware.

Modelul TTS englez ultra-luz 400M rulează în doar 3GB VRAM.

LLM-based TTS care funcționează pe CPU, GPU, sau browser via lama.cpp și Transformers.js.

Modelul Microsoft pentru conținutul multispeaker de forma lungă, cum ar fi podcast-uri și audiobook-uri.

Model de parametraj 100M uşor de Kyutai cu clonare vocală dintr-un singur eșantion.

TTS ultra-lumină sub 80MB. Se execută pe CPU fără GPU.

TTS multilingv de generație viitoare cu bi-flux, controlul emoțiilor și clonarea vocală zero-shot.

Prima deschidere Saudi-Arabic TTS. Dialect nativ saudita cu clonarea vocală de calitate Chatterbox.

Varianta cross-modal Qwen3-TTS cu greutatea FFN combinată din modelul de limbaj Qwen3-1.7B pentru clonarea multilingue mai ascuțită.

Modelul de continuare a dialogului multi-speaker – genera conversații în stil podcast cu până la 5 vorbitori și 60 de minute de audio coerent.

Modelul de vorbire omnimodal compact 0.5B din includereaAI cu ieșire de înaltă fidelitate 44.1kHz și clonarea vocală zero-shot.

Varianta MOSS-TTS minus 100M – aceeași arhitectură, 80x mai mici, latență de tip liber.