مفت AI لکت مان ڳالھائڻName
33+ اوپن سورس ماڊل، 273+ آواز، 33+ ٻوليون. ڪوبه اڪائونٽ نه گھرجي.
سڀڪنھن شيءِ جو توھان کي آواز AI جي ضرورت آھي
30+ اوپن سورس اي آءِ ماڊلز سان طاقتور اوزار
33+ AI آواز جا ماڊل
اوپن سورس TTS ماڊلز جو سڀ کان جامع مجموعو هڪ پليٽ فارم ۾
Kokoro مفت
ڪوڪورو هڪ 82 ملين پاراميٽرن وارو متن کان ڳالهائڻ وارو ماڊل آهي جيڪو پنهنجي وزن جي ڪلاس کان مٿي آهي. پنهنجي ننڍڙي سائيز جي باوجود ، اهو تمام گهڻو قدرتي ۽ اظهاري ڳالهائڻ پيدا ڪري ٿو. ڪوڪورو ڪيترن ئي ٻولين کي سپورٽ ڪري ٿو جن ۾ انگريزي ، جاپاني ، چيني ۽ ڪورين شامل آهن جن ۾ اظهاري آوازن جي تنوع آهي. اهو ڏاڍو تيز هلندو آهي - هڪ GPU تي حقيقي وقت جي ڀيٽ ۾ تقريبن 100x تيز آواز پيدا ڪري ٿو.
ھن لاءِ بهترين: اعليٰ معياري TTS گھٽ ۾ گھٽ دير سان ، اسٽريمنگ ايپليڪيشنون
مفت آزمايو
Piper مفت
پيپر هڪ ھلڪو متن کان ڳالھائڻ وارو انجن آهي جيڪو Rhasspy پاران ترقي يافته آهي جيڪو VITS ۽ larynx architectures استعمال ڪري ٿو. اهو مڪمل طور تي سي پي يو تي هلندو آهي، ان کي ايج ڊيوائسز، گھر جي خودڪار، ۽ آف لائن TTS جي ضرورت وارين ايپليڪيشنن لاءِ مثالي بڻائيندو آهي. 30+ ٻولين ۾ 100 کان وڌيڪ آوازن سان، پيپر هڪ Raspberry Pi 4 تي به حقيقي وقت جي رفتار تي طبعي آواز واري ڳالھائڻ مهيا ڪري ٿو.
ھن لاءِ بهترين: جلدي اڳڪٿيون، رسائي، ۽ داخل ٿيل ايپليڪيشنون
مفت آزمايو
VITS مفت
VITS (Variation Inference with adversarial learning for end-to-end Text-to-Speech) هڪ متوازي end-to-end TTS طريقو آهي جيڪو موجوده ٻن مرحلن جي ماڊلن جي ڀيٽ ۾ وڌيڪ قدرتي آواز وارو آڊيو پيدا ڪري ٿو. اهو مختلف انفريشن کي قبول ڪري ٿو جيڪو معمولي وهڪري سان وڌايو ويو آهي ۽ هڪ مقابلي واري تربيت واري عمل سان، طبيعت ۾ وڏي بهتري حاصل ڪري ٿو.
ھن لاءِ بهترين: عام مقصد وارو متن- کان- ڳالھائيءَ ڏانھن
مفت آزمايو
MeloTTS مفت
MyShell.ai طرفان MeloTTS هڪ ٻن ٻولين جي TTS لائبريري آهي جيڪا انگريزي (آمريڪي، برطانوي، هندي، آسٽريليا)، اسپينش، فرانسيسي، چيني، جاپاني ۽ ڪورين کي سپورٽ ڪري ٿي. اهو تمام تيز آهي، صرف سي پي يو تي حقيقي وقت جي رفتار تي متن کي پروسيس ڪري ٿو. MeloTTS پيداوار جي استعمال لاءِ ٺاهيو ويو آهي ۽ سي پي يو ۽ جي پي يو ٻنهي کي سپورٽ ڪري ٿو.
ھن لاءِ بهترين: پيداوار جون ايپليڪيشنون جن کي جلدي، ڪيترن ٻولين جي TTS جي ضرورت آھي
مفت آزمايو
Kani TTS 2 مفت
Kani-TTS-2 by NineNineSix هڪ تمام هلڪو وزن 400M پاراميٽر ماڊل آهي جيڪو LiquidAI LFM2 backbone سان Nvidia NanoCodec سان ٺهيل آهي. اهو صرف 3GB VRAM ۾ هلندو آهي ۽ ~2 سيڪنڊن ۾ 10 سيڪنڊن ۾ ڳالهائيندو آهي (RTF 0.2). اسپيڪر embeddings ذريعي zero-shot آواز کلوننگ جي حمايت ڪري ٿو.
ھن لاءِ بهترين: تيز پيدائش، گهٽ وسيلا ماحول، جلدي اڳيون ڏسڻ
مفت آزمايو
OuteTTS مفت
OuteTTS وڏي ٻولي ماڊل سان متن-to-speech صلاحيتن سان وڌائي ٿو جڏهن ته اصل آرڪائيو کي برقرار رکڻ. اهو ڪيترن ئي backends سميت llama.cpp (CPU / GPU) ، Hugging Face Transformers ، ExLlamaV2 ، VLLM ، ۽ Transformers.js ذريعي برائوزر انفريشن جي حمايت ڪري ٿو. JSON طور محفوظ ڪيل اسپيڪر پروفائلن ذريعي صفر-شوٽ آواز کلوننگ جون خاصيتون.
ھن لاءِ بهترين: ايج ڊسپلين، برائوزر تي ٻڌل TTS، گهٽ وسيلا ماحول
مفت آزمايو
Pocket TTS مفت
پوڪ ٽي ٽي ايس ڪيوٽي (موشي جا ٺاھيندڙ) پاران هڪ 100 ايم پي آرٽيڪل-ٽو-سوئچ ماڊل آھي جيڪو پنھنجي وزن کان وڌي ٿو. اھو سي پي يو تي سھڻي طرح هلندو آھي، ھڪ آڊيو نموني مان صفر-شوٽ آواز جي کلوننگ کي مدد ڏيندو آھي، ۽ قدرتي آواز واري ڳالھائي کي پيدا ڪندو آھي. ننڍو ماڊل جي سائيز ان کي ويجھي استعمال ۽ گھٽ وسيلا ماحولن لاءِ مثالي بڻائيندو آھي.
ھن لاءِ بهترين: هلڪو استعمال، صرف سي پي يو ماحول، جلدي آواز جي کلوننگ
مفت آزمايو
Kitten TTS مفت
Kitten TTS by KittenML هڪ تمام هلڪو متن کان ڳالھائڻ وارو ماڊل آهي جيڪو ONNX تي ٺهيل آهي. 15M کان 80M تائين جي پي ايم (25-80 MB ڊسڪ تي) جي مختلف قسمن سان، اهو اعليٰ معيار جي آواز جي سنٿسيٽ کي سي پي يو تي GPU جي ضرورت کانسواءِ فراهم ڪري ٿو. 8 اندروني آوازن جون خاصيتون، ٺاھي سگھندڙ ڳالھائڻ جي رفتار، ۽ اندروني متن جي اڳواٽ پروسيسنگ نمبرن، ڪرنسي ۽ يونٽس لاءِ. ويجھي استعمال ۽ گهٽ دير وارين ايپليڪيشنن لاءِ مثالي.
ھن لاءِ بهترين: تيز تيز TTS، چوٽي جي تعمير، گهٽ- لاٽنٽي ايپليڪيشنون
مفت آزمايو
Ming-Omni TTS مفت
InclusionAI پاران Ming-omni-tts-0.5B هڪ compact omni-modal speech model آهي جيڪو BailingMM جي ڳري backbone تي ٺهيل آهي ۽ هڪ Patch-by-Patch flow-matching audio decoder سان. 44.1kHz جي خروجي (سي ڊي جي معيار جي ويجهو) مهيا ڪري ٿو، 3+ سيڪنڊ جي حوالي کان صفر-شوٽ آواز جي کلوننگ جي حمايت ڪري ٿو، ۽ JSON هدايتن ذريعي ضم ٿيل احساس / ٻولي / BGM ڪنٽرول شامل آهي.
ھن لاءِ بهترين: اعليٰ معيار جي ٻن ٻولين ۾ بيان، احساس ڪنٽرول آواز اداڪار، چيني آڊيو ڪتاب مواد
مفت آزمايو
MOSS-TTS Nano مفت
MOSS-TTS-Nano-100M is OpenMOSS's compact 100M-parameter variant of the MOSS-TTS family, sharing the delay-transformer architecture. Trades the 8B model's peak quality for ~80x smaller weights and dramatically lower per-request VRAM, making it suitable for free-tier and high-throughput deployments. Same 20-language reach.
ھن لاءِ بهترين: Free-tier TTS, high-volume production, low-latency interactive use
مفت آزمايو
Bark معياري
ٽرانسميٽر تي ٻڌل متن کان آڊيو ماڊل جيڪو سچي ڳالھائي، موسيقي ۽ آواز جا اثر پيدا ڪري ٿو.
ڊيولپر: Suno · لائسنس: MIT
ڪوشش ڪريو
Bark Small معياري
بارڪ جو هلڪو ورزن تيز استنباط ۽ گهٽ يادگار استعمال سان.
ڊيولپر: Suno · لائسنس: MIT
ڪوشش ڪريو
CosyVoice 2 معياري
Alibaba's scaleable streaming TTS with human-parity naturalness and near-zero latency.
ڊيولپر: Alibaba (Tongyi Lab) · لائسنس: Apache 2.0
ڪوشش ڪريو
Dia TTS معياري
ملٽي اسپيڪر ڊالوگ پيدا ڪرڻ وارو ماڊل جيڪو اسپيڪر جي وچ ۾ قدرتي گفتگو پيدا ڪري ٿو.
ڊيولپر: Nari Labs · لائسنس: Apache 2.0
ڪوشش ڪريو
Parler TTS معياري
اوھان کي گھرجي ته آواز کي قدرتي ٻوليءَ ۾ بيان ڪريو ۽ پارلر مطابقت رکندڙ آواز پيدا ڪندو.
ڊيولپر: Hugging Face · لائسنس: Apache 2.0
ڪوشش ڪريو
IndexTTS-2 معياري
Zero-shot TTS fine-grained احساس ڪنٽرول ۽ اعلي اظهار سان.
ڊيولپر: Index Team · لائسنس: Bilibili Model License
ڪوشش ڪريو
Spark TTS معياري
آواز جي ڪلوننگ TTS ڪنٽرول ٿيل احساس ۽ ڳالهائڻ جي انداز سان پروموشنز ذريعي.
ڊيولپر: SparkAudio · لائسنس: CC BY-NC-SA 4.0
ڪوشش ڪريو
GPT-SoVITS معياري
ٿورڙي شاٽ آواز ڪلوننگ TTS جيڪو ڪنهن به آواز کي رڳو 5 سيڪنڊن جي آڊيو مان نقل ڪري ٿو.
ڊيولپر: RVC-Boss · لائسنس: MIT
ڪوشش ڪريو
Orpheus معياري
انسان جي سطح جو احساساتي TTS ماڊل 100K ڪلاڪن جي ڳالهائڻ جي ڊيٽا تي تربيت ڏنل.
ڊيولپر: Canopy Labs · لائسنس: Llama 3.2 Community
ڪوشش ڪريو
Qwen3 TTS معياري
Alibaba's multilingual TTS with voice cloning, preset voices, and voice design from text.
ڊيولپر: Alibaba (Qwen) · لائسنس: Apache 2.0
ڪوشش ڪريو
VieNeu-TTS-v2 معياري
Vietnamese + English code-switching TTS with 7 preset voices and zero-shot voice cloning. CPU-only, no GPU required.
ڊيولپر: Phạm Nguyễn Ngọc Bảo · لائسنس: Apache 2.0
ڪوشش ڪريو
Chatterbox Turbo معياري
200ms جي دير سان تيز چيٽ باڪس ۽ کلڻ، ڪُوڙڻ ۽ وڌيڪ لاءِ پارالنگويسٽڪ ٽيگ.
ڊيولپر: Resemble AI · لائسنس: MIT
ڪوشش ڪريو
VoxCPM معياري
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
ڊيولپر: OpenBMB · لائسنس: Apache 2.0
ڪوشش ڪريو
VibeVoice معياري
مائڪروسافٽ ماڊل ڊگھي فارم جي ملٽي اسپيڪر مواد جهڙوڪ پوڊ ڪاسٽ ۽ آڊيو ڪتابن لاءِ.
ڊيولپر: Microsoft · لائسنس: MIT
ڪوشش ڪريو
CosyVoice3 معياري
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
ڊيولپر: Alibaba (FunAudioLLM) · لائسنس: Apache 2.0
ڪوشش ڪريو
NAMAA Saudi TTS معياري
پهريون مفت سعودي عرب TTS. چاٽربڪس-ڪواليٽي آواز جي کلوننگ سان مقامي سعودي ٻولي.
ڊيولپر: NAMAA Space · لائسنس: MIT
ڪوشش ڪريو
Darwin TTS معياري
cross-modal Qwen3-TTS قسم FFN وزن سان Qwen3-1.7B ٻولي ماڊل کان گڏيل وڌيڪ واضح ڪيترن ٻولين جي کلوننگ لاءِ.
ڊيولپر: FINAL-Bench · لائسنس: Apache 2.0
ڪوشش ڪريو
MOSS-TTSD معياري
5 اسپيڪر ۽ 60 منٽن تائين گڏيل آڊيو سان پوڊ ڪاسٽ-شڪل گفتگو پيدا ڪريو.
ڊيولپر: OpenMOSS · لائسنس: Apache 2.0
ڪوشش ڪريو
Chatterbox پريميئم
State-of-the-art zero-shot آواز ڪلوننگ احساس ڪنٽرول سان Resemble AI کان.
معيار:
ڪوشش ڪريو
Tortoise TTS پريميئم
ڪيترن ئي آوازن واري متن کان ڳالهائڻ جي معيار تي ڌيان ڏنو ويو آهي autoregressive architecture سان.
معيار:
ڪوشش ڪريو
StyleTTS 2 پريميئم
انسان جي سطح تي لفظن کي ٻوليءَ ۾ تبديل ڪرڻ جو طريقو ۽ مقابلي واري تربيت.
معيار:
ڪوشش ڪريو
Sesame CSM پريميئم
گفتگو جو ماڊل جيڪو مناسب وقت ۽ احساس سان قدرتي گفتگو پيدا ڪري ٿو.
معيار:
ڪوشش ڪريوCosyVoice 2
Alibaba's scaleable streaming TTS with human-parity naturalness and near-zero latency.
ٻوليون: en, zh, ja, ko, fr, de, it, es
آواز کلون ڪريوSpark TTS
آواز جي ڪلوننگ TTS ڪنٽرول ٿيل احساس ۽ ڳالهائڻ جي انداز سان پروموشنز ذريعي.
ٻوليون: en, zh
آواز کلون ڪريوGPT-SoVITS
ٿورڙي شاٽ آواز ڪلوننگ TTS جيڪو ڪنهن به آواز کي رڳو 5 سيڪنڊن جي آڊيو مان نقل ڪري ٿو.
ٻوليون: en, zh, ja, ko
آواز کلون ڪريوChatterbox
State-of-the-art zero-shot آواز ڪلوننگ احساس ڪنٽرول سان Resemble AI کان.
ٻوليون: en
آواز کلون ڪريوTortoise TTS
ڪيترن ئي آوازن واري متن کان ڳالهائڻ جي معيار تي ڌيان ڏنو ويو آهي autoregressive architecture سان.
ٻوليون: en
آواز کلون ڪريو
OpenVoice
فوري آوازن جو کلوننگ شڪل، احساس، ۽ ڌيان تي ڪنٽرول سان.
ٻوليون: en, zh, ja, ko, fr, es
آواز کلون ڪريوVieNeu-TTS-v2
Vietnamese + English code-switching TTS with 7 preset voices and zero-shot voice cloning. CPU-only, no GPU required.
ٻوليون: vi, en
آواز کلون ڪريوChatterbox Turbo
200ms جي دير سان تيز چيٽ باڪس ۽ کلڻ، ڪُوڙڻ ۽ وڌيڪ لاءِ پارالنگويسٽڪ ٽيگ.
ٻوليون: en
آواز کلون ڪريوVoxCPM
Tokenizer-free TTS producing 44.1kHz audio with context-aware paragraph consistency.
ٻوليون: en, zh
آواز کلون ڪريوOuteTTS
LLM تي ٻڌل TTS جيڪو CPU، GPU، يا برائوزر ذريعي llama.cpp ۽ Transformers.js ذريعي هلندو آهي.
ٻوليون: en
آواز کلون ڪريوPocket TTS
ھڪڙي نموني مان آواز جي کلوننگ سان Kyutai طرفان ھڪڙو ھلڪو 100M پاراميٽر ماڊل.
ٻوليون: en, fr
آواز کلون ڪريوCosyVoice3
Next-generation multilingual TTS with bi-streaming, emotion control, and zero-shot voice cloning.
ٻوليون: en, zh, ja, ko, de, es, fr, it, ru
آواز کلون ڪريوNAMAA Saudi TTS
پهريون مفت سعودي عرب TTS. چاٽربڪس-ڪواليٽي آواز جي کلوننگ سان مقامي سعودي ٻولي.
ٻوليون: ar
آواز کلون ڪريوDarwin TTS
cross-modal Qwen3-TTS قسم FFN وزن سان Qwen3-1.7B ٻولي ماڊل کان گڏيل وڌيڪ واضح ڪيترن ٻولين جي کلوننگ لاءِ.
ٻوليون: en, ko, ja, zh
آواز کلون ڪريوMOSS-TTSD
5 اسپيڪر ۽ 60 منٽن تائين گڏيل آڊيو سان پوڊ ڪاسٽ-شڪل گفتگو پيدا ڪريو.
ٻوليون: en, zh
آواز کلون ڪريوMing-Omni TTS
InclusionAI جو 0.5B Omni-Modal سڏ ماڊل اعليٰ وفاداري 44.1kHz آڪسائيڊ ۽ صفر-شوٽ آواز جي کلوننگ سان.
ٻوليون: en, zh
آواز کلون ڪريوMOSS-TTS Nano
Tiny 100M MOSS-TTS variant — same architecture, 80x smaller, free-tier latency.
ٻوليون: en, zh, de, es, fr, ja, it, ko, ru, ar, pt
آواز کلون ڪريوڊيولپر-پھرين API
OpenAI-compatible REST API. One endpoint, 22+ models. Streaming support for real-time applications.
- OpenAI مطابقت رکندڙ شڪل
- ريئل ٽائيم ايپليڪيشنن لاءِ TTS اسٽريمنگ
- وڏين ڪمن لاءِ بيٽ پروسيس
- Webhook اطلاع
pip install ttsai
npm install @ttsainpm/ttsai
from tts_ai import TTSClient
client = TTSClient(api_key="sk-tts-xxx")
audio = client.generate(
text="Hello from TTS.ai!",
model="kokoro",
voice="af_bella",
)
client.save(audio, "output.mp3")سادو، شفاف قيمت
مفت شروع ڪريو. جيئن وڌي رهيا آهيو.
گھڻا پڇيا ويندا سوال
ڇا بهتر ڪري سگھون ٿا؟ توھان جي راءِ اسان کي مسئلا حل ڪرڻ ۾ مدد ڏيندي.
AI آواز استعمال ڪرڻ اڄ شروع ڪريو
TTS.ai استعمال ڪندي ٺاھيندڙن، ڊيولپرن ۽ ڪاروبار سان شامل ٿيو