Free AI Prevod textu na reč

Ľahký 82M parameter model prináša štúdio-kvalitné reči s bleskovo rýchle odvodenie.

Rýchly, lokálny neurálny systém premeny textu na reč optimalizovaný pre Raspberry Pi a vstavané zariadenia.

Podmienený variačný autoenkóder s protichodným učením pre koncové text-to-speech.

Vysoko kvalitný viacjazyčný prevod textu na reč, ktorý beží na CPU s minimálnou latenciou.

Model prevodu textu na zvuk založený na transformátoroch, ktorý generuje realistickú reč, hudbu a zvukové efekty.

Odľahčená verzia Bark s rýchlejším odvodzovaním a nižším využitím pamäte.

Alibaba škálovateľný streaming TTS s prirodzenosťou ľudskej parity a takmer nulovou latenciou.

Model generovania dialógu s viacerými reproduktormi, ktorý vytvára prirodzené konverzácie medzi reproduktormi.

Popíšte hlas, ktorý chcete v prirodzenom jazyku a Parler generuje zodpovedajúcu reč.

Zero-shot TTS s jemnozrnnou kontrolou emócií a vysokou expresivitou.

Hlasové klonovanie TTS s kontrolovateľnými emóciami a štýlom hovorenia prostredníctvom výziev.

Niekoľko záberov klonovanie hlasu TTS, ktorý replikuje akýkoľvek hlas z iba 5 sekúnd zvuku.

Emocionálny model TTS na ľudskej úrovni trénovaný na 100 000 hodinách rečových dát.

Najmodernejšie klonovanie hlasu s nulovým záberom s ovládaním emócií od spoločnosti Resemble AI.

Multi-hlas text-to-speech zameraný na kvalitu s autoregresívnou architektúrou.

Prevod textu na reč na ľudskej úrovni prostredníctvom difúzie štýlu a súboja.

Okamžité klonovanie hlasu s granulárnou kontrolou nad štýlom, emóciami a prízvukom.

Alibaba je viacjazyčný TTS s prednastavenými hlasmi a hlasový dizajn z textu.

Vietnamský + anglický kód-prepínanie TTS so 7 prednastavenými hlasmi a klonovanie hlasu zero-shot.CPU-len, nie je potrebný GPU.

Model konverzačnej reči generujúci prirodzený dialóg s vhodným načasovaním a emóciami.

Rýchlejší Chatterbox s latenciou menšou ako 200 ms a paralingvistickými značkami pre smiech, kašeľ a ďalšie.

Tokenizer-free TTS produkujúce 44.1kHz audio s kontextovou konzistenciou odsekov.

Ultraľahký 400M anglický model TTS bežiaci len v 3 GB pamäte VRAM.

LLM-založené TTS, ktorý beží na CPU, GPU, alebo prehliadač cez llama.cpp a Transformers.js.

Model spoločnosti Microsoft pre dlhý obsah s viacerými reproduktormi, ako sú podcasty a audioknihy.

Ľahký 100M parametrický model od Kyutai s klonovaním hlasu z jednej vzorky.

Ultra-ľahký TTS pod 80MB. Beží na CPU bez GPU.

Viacjazyčný TTS novej generácie s dvojitým streamovaním, ovládaním emócií a klonovaním hlasu bez výstrelov.

Prvý otvorený Saudskoarabský TTS. Natívny Saudský dialekt s klonovaním hlasu v kvalite Chatterbox.

Cross-modálny Qwen3-TTS variant s FFN váhami zmiešanými z jazykového modelu Qwen3-1.7B pre ostrejšie viacjazyčné klonovanie.

Model pokračovania dialógu s viacerými reproduktormi – vytvárajte konverzácie v štýle podcastu až s 5 reproduktormi a 60 minútami koherentného zvuku.

Kompaktný 0.5B omnimodálny model reči od inclusionAI s vysoko verným 44.1kHz výstupom a nulovým klonovaním hlasu.

Tiny 100M MOSS-TTS variant — rovnaká architektúra, 80x menšia, free-tier latencia.