ጽሑፉን ወደ ንግግር ለውጥ

ኮኮሮ ከክብደቱ ክፍል በላይ የሚቆጠር 82 ሚሊዮን ፓራሜትሮችን የሚይዝ የጽሑፍ-ወደ-ንግግር ሞዴል ነው. በትንሹ መጠንም ቢሆን፣ አስደናቂ የሆነ ተፈጥሯዊና ግልጽ ንግግርን ያወጣል. ኮኮሮ ብዙ ቋንቋዎችን ያጠቃልላል - አማርኛ፣ ጃፓንኛ፣ ቻይንኛ፣ ኮሪያኛ፣ በተለያዩ ግልጽ ድምጾች. በጣም ፈጣን ነው - ከጂፒዩ ላይ ከሚገኝ እውነተኛ ጊዜ ድምፅ 100x ፈጣን ነው.

ፒፐር በራሳስፒ የተፈጠረ ቀላል የጽሑፍ-ወደ-ንግግር ማሽን ነው VITS እና ላርኒክስ አርክቴክቸሮችን የሚጠቀም. በሙሉ በሲፒዩ ላይ ይሠራል ፣ ለ Edge መሣሪያዎች ፣ ለቤት አውቶማቲክስ ፣ እና ለኦፍላይን TTS የሚያስፈልጉ ፕሮግራሞች ተስማሚ ያደርገዋል. በ 30+ ቋንቋዎች ውስጥ ከ 100 በላይ ድምጾች ፣ ፒፐር በራስቤሪ ፒ 4 ላይም ቢሆን በፍጥነት ጊዜ ውስጥ ተፈጥሯዊ የሆነ ንግግር ይሰጣል ፡፡

VITS (የማሻሻያ ውጤት ለመጨረሻው-ወደ-መጨረሻው ጽሑፍ-ወደ-ንግግር ለመማር) ከቀድሞው ሁለት-ደረጃ ሞዴሎች የበለጠ ተፈጥሯዊ የሆነ ድምፅ የሚያመነጭ የመጨረሻ-ወደ-መጨረሻ TTS ዘዴ ነው. በነፃነት ውስጥ ትልቅ ማሻሻያ የሚያገኝ በሆነ የቀድሞው-ወደ-መጨረሻው ቴክኖሎጂ የተሻሻለ የመጨረሻ-ወደ-መጨረሻ TTS ዘዴ ነው.

MeloTTS በ MyShell.ai የተሰራ የብዙ ቋንቋዎች TTS መዝገብ ቤት ነው እንግሊዝኛ (አሜሪካዊ፣ ብሪታኒያዊ፣ የህንድ፣ የአውስትራሊያ), ስፓኒሽ, ፈረንሳይኛ, ቻይንኛ, ጃፓንኛ, እና ኮሪያኛ. በጣም ፈጣን ነው, ጽሑፍን በቅርብ ጊዜ ፍጥነት በ CPU ብቻ ላይ ይሠራል. MeloTTS ለምርት ጥቅም የተሰራ ነው እና CPU እና GPU ግምትን ይደግፋል.

ባርክ በሱኖ የተመሠረተ ፅሁፍ-ወደ-ድምፅ ሞዴል ነው ይህም በጣም እውነተኛ፣ ብዙ ቋንቋዎች ያሉት ንግግርን እንዲሁም ሌሎች ድምፆችን እንደ ሙዚቃ፣ የኋላ ድምፅ፣ እና የድምፅ ውጤቶች ሊፈጥር ይችላል። እንደ መቅለጥ፣ መጮህ እና መጮህ ያሉ ያልሆኑ ግንኙነቶችን ሊፈጥር ይችላል። ባርክ ከ 100 በላይ የንግግር ቀደምት አማራጮችን እና 13+ ቋንቋዎችን ይደግፋል።

ባርክ ስማርት የባርክ ሞዴል የተቀላቀለ ስሪት ሲሆን የድምፅ ጥራት ለከፍተኛ ፍጥነት እና ዝቅተኛ የማስታወሻ ፍላጎቶች ይለዋወጣል. በፍላጎቶች፣ በቁጭት እና በብዙ ቋንቋዎች ንግግርን ለማምረት የባርክን ችሎታ ያቆማል

የኮሲቮይስ 2 በአሊባባ ቶንግይ ላብ በከፍተኛ ዝቅተኛ ላቴንሲ የሰው-አነጋገር ጥራት ያገኛል፣ ለወቅታዊ ፕሮግራሞች ተስማሚ ያደርገዋል። ለቀጥታ ስብስብ የመጨረሻ ስካላር ኩዌንቲንግ ዘዴን ይጠቀማል እናም zero-shot የድምፅ ክሎኒንግን ይደግፋል፣ cross-lingual ስብስብ፣ እና fine-grained ስሜት ቁጥጥር። በግለሰባዊ አቀራረቦች ውስጥ ብዙ የቢዝነስ TTS ስርዓቶችን ይበልጥ ያከናውናል ፡፡

ዲያ በናሪ ላብስ የተሰራ 1.6 ቢ ፓራሜትር ጽሑፍ-ወደ-ንግግር ሞዴል ነው በብዙ-ተናጋሪ ውይይት ለማምረት የተሰራ። በሁለት ተናጋሪዎች መካከል ተገቢውን ዙር-መውሰድ፣ ፕሮሶዲ እና ስሜታዊ መግለጫዎች ጋር ተፈጥሯዊ-የሚሰማ ውይይት ማምረት ይችላል። ዲያ ለፖድካስት-style ይዘት፣ የኦዲዮ መጽሐፍ ውይይቶች እና ተለዋዋጭ የንግግር AI ለመፍጠር ተስማሚ ነው ፡፡

ፓርለር TTS የተፈጠረውን ንግግር ለመቆጣጠር የቋንቋን የድምፅ መግለጫዎች የሚጠቀም የጽሑፍ-ወደ-ንግግር ሞዴል ነው። ከቀድሞ የተቀመጡ ድምጾች ይልቅ፣ የሚፈልጉትን ድምፅ (ለምሳሌ፣ "በጥቂት ብሪታኒያዊ አሻራ ያለው ሙቅ የሴት ድምፅ፣ በዝግታና በግልጽ የሚናገረው") ይተዉት። ፓርለርም ይህን መግለጫ የሚስማማ ንግግር ይፈጥራል። ይህ ለፈጠራ ፕሮግራሞች ልዩ የሆነ መለዋወጫን ያቀርባል።

GLM-TTS በ Zhipu AI የተገነባ የጽሑፍ-ወደ-ንግግር ስርዓት ነው. በላማ አርክቴክቸር ላይ የተገነባ ሲሆን የፍሰት ማመሳሰልን ያካትታል። በነጻ ምንጭ TTS ሞዴሎች መካከል ዝቅተኛውን የፊደል ስህተት መጠን ያገኛል ፣ ማለትም በጣም ትክክለኛን ተናጋሪ ያወጣል ፡፡ GLM-TTS ከ 3-10 ሰከንዶች የድምፅ ምሳሌዎች ጋር አማርኛ እና ቻይንኛን ይደግፋል ፡፡

IndexTTS-2 በዝቅተኛ-አደጋ የድምፅ ማቀነባበሪያ እና በጥሩ-ግሬን ፍላጎት መቆጣጠሪያ የተሻሻለ ጽሑፍ-ወደ-ንግግር ስርዓት ነው. እንደ ደስተኛ, አሳዛኝ, የተሰቃየ ወይም የተፈራ ፍላጎት-ተኮር የጥናት መረጃ ሳይያስፈልግ በግልጽ ፍላጎት ያላቸውን ድምፆች በመፍጠር ንግግርን ማምጣት ይችላል። ሞዴሉ የፈጠረውን ንግግርን ፍላጎት ለመቆጣጠር ፍላጎት ቬክተሮችን ይጠቀማል ፡፡

ስፓርክ TTS በ ስፓርክኦዲዮ የተሠራ የጽሑፍ-ወደ-ንግግር ሞዴል ሲሆን የድምፅ ክሎኒንግን ከሚቆጣጠሩ ስሜቶች እና የመናገር ዘይቤ ጋር ያገናኛል። በ5 ሰከንዶች ብቻ የመዝገበ ቃላት ድምፅን በመጠቀም፣ ድምፅን ክሎኒንግ ማድረግ እና ከዚያ በተለያዩ ስሜቶች፣ ፍጥነቶች እና ስሞች ንግግርን መፍጠር ይችላል። የክሎኒንግ የድምፅ ማንነት ሲጠበቅ። ስፓርክ TTS በፕሮም-ተኮር የቁጥጥር ስርዓትን ይጠቀማል።

GPT-SoVITS GPT-style ቋንቋ ሞዴል ከ SoVITS (የሚጫወቱ ድምፅ Inference በቃል ትርጉም እና ስብስብ) ለኃይል ጥቂት-ሽት የድምፅ ክሎኒንግ ያገናኛል. እንደ 5 ሰከንዶች ብቻ የመዝገብ ቤት ድምፅ, ይህ ትክክለኛነት ድምፅ ክሎኒንግ እና የተናጋሪው የተለየ ባህሪያት ሲጠብቅ አዲስ ንግግር ማምረት ይችላል. ይህ በሁለቱም መናገር እና የሚጫወቱ ድምፅ ስብስብ ላይ ያተኩራል.

ኦርፊየስ የሰው ደረጃ ስሜታዊ መግለጫን የሚያገኝ ትልቅ መጠን ያለው ጽሑፍ-ወደ-ንግግር ሞዴል ነው. በ 100,000 ሰዓታት በላይ በተለያዩ የንግግር መረጃዎች ላይ የተጠናቀቀ፣ በተፈጥሮ ስሜታዊ መግለጫዎች፣ አጽንዖት እና የመናገር ዘይቤዎች ንግግርን በመፍጠር ላይ ያገለግላል. ኦርፊየስ ከሰው መዝገቦች የማይለይ ንግግርን ማምረት ይችላል።

የሻተርቦክስ መተግበሪያ በResemble AI የተገነባ የመጨረሻው የድምፅ ክሎኒንግ ሞዴል ነው። ከአንድ የድምፅ ምሳሌ ጋር በጥሩ ጥራት ማንኛውንም ድምፅ ሊመልስ ይችላል፣ የድምፅ ድምፅ ብቻ ሳይሆን የንግግር ዘይቤ እና የስነ-ልቦና ቅንጣቶችንም ይይዛል። ሻተርቦክስ ደግሞ የፍጥነት-ግሬን የስነ-ልቦና ቁጥጥርን ያቀርባል፣ የቀረበውን ንግግር የስነ-ልቦና ድምፅ ከድምፅ ማንነት ነፃ በሆነ መንገድ ለመቀየር ያስችልዎታል።

ቶርቶይ TTS በፍጥነት ላይ የድምፅ ጥራት ላይ ትኩረት የሚያደርግ የራስ-መለወጫ የብዙ-ድምፅ ጽሑፍ-ወደ-ንግግር ስርዓት ነው. DALL-E-የተጠበቀውን አርክቴክቸር በመጠቀም በጣም ተፈጥሯዊ ንግግርን በጥሩ ፕሮሶዲ እና በተናጋሪ ተመሳሳይነት ያመነጫል። ከብዙ አማራጮች ይበልጥ ዝቅተኛ ቢሆንም ቶርቶይ በነጻ ምንጭ ኢኮሲስተም ውስጥ የተገኘውን በጣም እውነተኛ የተቀናጀ ንግግር ያመነጫል።

StyleTTS 2 የሰው ደረጃ TTS ማቀነባበሪያን በከፍተኛ የንግግር ቋንቋ ሞዴሎችን በመጠቀም የቋንቋ ልዩነትን እና የቋንቋ ልዩነትን በማቀናጀት ያሳያል. በአንድ-ተናጋሪ ሞዴሎች መካከል በጣም ተፈጥሯዊ የሆነውን ንግግር ያመነጫል ፣ የሰው መዝገቦችን የሚወዳደር። StyleTTS 2 የሰው ንግግር ልዩነትን ለመያዝ የቋንቋ ልዩነትን በመጠቀም የቋንቋ ልዩነትን ያመነጫል ፡፡

OpenVoice በ MyShell.ai በድምፅ ስሜት, ስሜት, አነጋገር, ሪትም, መቆም, እና intonation ላይ granular ቁጥጥር ጋር ቀጥተኛ የድምፅ ክሎኒንግ ያስችላል. ይህ ከጥቂት የድምፅ ክሊፕ አንድ ድምፅ ክሎኒንግ እና በብዙ ቋንቋዎች ንግግር በማምጣት ተናጋሪው ማንነት ሲጠብቅ ይችላል. OpenVoice እንደ ድምፅ ተቀባይም ሆኖ ይሠራል, የጊዜ-እውነተኛ የድምፅ ለውጥ ያስችላል.

Qwen3-TTS ከአሊባባ የQwen ቡድን የመጣ 1.7 ቢሊዮን ፓራሜትር ያለው የጽሑፍ-ወደ-ንግግር ሞዴል ነው። ሦስት አማራጮችን ይደግፋል፡- ከስሜት መቆጣጠሪያ ጋር የተቀመጡ ድምጾች (9 ተናጋሪዎች)፣ ከ3 ሰከንዶች ድምፅ ብቻ የድምፅ ክሎኒንግ፣ እና በነፃ ቋንቋ የምትፈልጉትን ድምፅ የምትገልጹበት የድምፅ ዲዛይን አማራጭ። 10 ቋንቋዎችን በከፍተኛ ግልጽነት እና በነፃ ቋንቋ ይሸፍናል።

Sesame CSM (Conversational Speech Model) የ 1 ቢሊዮን ፓራሜትር ሞዴል ነው የተቀናጀ ንግግር ለመፍጠር የተቀናጀ ነው. የሰው ንግግር ተፈጥሯዊ ንድፎችን ይቀላቅላል ዙር-መውሰድ ጊዜ, backchannel መልሶች, ስሜታዊ ምላሾች, እና ንግግር ፍሰት. CSM የተቀናጀ ንግግር ይልቅ እንደ ተፈጥሯዊ ሰው ንግግር የሚሰማውን ድምፅ ይፈጥራል.

የቻተርቦክስ ቱርቦ በ Resemble AI ወደ ቻተርቦክስ 350M ፓራሜትር ማሻሻያ ነው, እስከ 6x እውነተኛ ጊዜ ፍጥነት ጋር 200 ሚሊ ሴኮንድ latency ጋር ይሰጣል. እንደ [ስሜት], [ኮክ], እና [አፍንጫ] በቀጥታ በጽሑፍ ውስጥ paralinguistic መለያዎችን ይደግፋል. ለ provenance መከተል ለማንኛውም የተፈጠረ ድምፅ ላይ Perth ውሃ ምልክት ያካትታል.

ዞኖስ v0.1 በዚፍራ የተሰራ 1.6 ቢ ፐራሜትር ሞዴል ሲሆን ለደስታ፣ ለጭንቀት፣ ለሐዘን፣ ለፍርሃት እና ለደስታ ስላላያያዣዎች የተሰራ የፍቅር መቆጣጠሪያን ያካትታል። ትራንስፎርመር እና አዲስ የኤስኤስኤም (የአገሮች-አካባቢ ሞዴል) አማራጭን ያቀርባል። ከ10-30 ሰከንዶች የመዝገብ ድምፅ ጋር በ 200K + ሰዓታት የብዙ ቋንቋ ንግግር ላይ የተሠራ ነው።

Dia2 by Nari Labs is a streaming-first upgrade to Dia, available in 1B and 2B parameter variants. It starts synthesizing audio from the first few tokens, making it ideal for real-time voice agents and speech-to-speech pipelines. Multi-speaker dialogue with [S1]/[S2] tags and paralinguistic cues like (laughs), (coughs)

VoxCPM 1.5 በ OpenBMB የተሰራ አዲስ የቶኬን-ነጻ የቲቲኤስ ሞዴል ነው በቀጥታ ቦታ ላይ የሚሠራ ሳይሆን ልዩ ልዩ ቶኬኖች. ይህ ከፍተኛ-ፍጹም 44.1kHz ድምፅ ያወጣል, ከ 3-10 ሰከንዶች ጀምሮ zero-shot የድምፅ ክሎኒንግ ይደግፋል, እና በፓራግራፎች መካከል ተመሳሳይነት ይይዛል. Cross-language ክሎኒንግ ቻይንኛ ንግግር ላይ እንግሊዝኛ ድምፅ እና vice versa ሊጠቀሙበት ያስችልዎታል.

OuteTTS ትልቅ ቋንቋ ሞዴሎች ጋር ጽሑፍ-ወደ-ንግግር ችሎታዎችን በመጀመሪያው አርክቴክቸር ሲጠብቅ ይጨምራል. ይህ llama.cpp (CPU / GPU), Hugging ፊት ትራንስፎርሜሽን, ExLlamaV2, VLLM, እና ይልቅ ብራውዘር በ Transformers.js በመጠቀም ውጤት ጨምሮ ብዙ backends ይደግፋል. ባህሪያት zero-shot የድምፅ ክሎኒንግ እንደ JSON የተጠበቀ ተናጋሪ ፕሮፊሎች በመጠቀም.

TADA (Text-Acoustic Dual Alignment) በሁም አ.አ. የተገነባው በላማ 3.2 ላይ የተገነባ አዲስ የሁለት አቅጣጫ አርክቴክቸር አማካኝነት የሃሎሲንሽንን የሚያጠፋ የ TTS ሞዴል ነው. በ 1B (አማርኛ) እና በ 3B (ብዙ ቋንቋዎች) አማራጮች ውስጥ የሚገኝ, TADA ከ LLM ላይ የተመሠረተ የ TTS ሞዴሎች 0.09 - 5x ፈጣን የ RTF ያገኛል. እስከ 700 ሰከንዶች ድረስ የድምፅ ርዕሰ ጉዳይን ይደግፋል እናም በስታንዳርድ ባንኮች ላይ የዝቅተኛ የሃሎሲንሽን ድምፅ ያለውን ድምፅ ያመነጫል.

ቪብቮይች በማይክሮሶፍት በሁለት ዓይነት ይመጣል: ለረጅም-ቅርጽ ይዘት (90 ደቂቃዎች, 4 ተናጋሪዎች) 1.5B ሞዴል እና ለ ~ 200ms የመጀመሪያው ድምፅ latency ጋር 0.5B ሞዴል. 1.5B ልዩነት በፖድካስት እና ድምፅ መጽሐፍት ላይ ረጅም passages ላይ ተናጋሪ konzistency ጋር ይሻላል. ማስታወሻ: ማይክሮሶፍት TTS ኮድ ከ መዝገብ ቤት ያስወገዱ እና የተፈጠረው ድምፅ ጆሮአዊ AI disclaimers ያካትታል.

Pocket TTS በኩዩታይ (የሞሺ ፈጣሪዎች) የተሰራው ከክብደቱ በላይ የሚቆረጥ የ100 ሜጋባት የጽሑፍ-ወደ-ንግግር ሞዴል ነው። በሲፒዩ ላይ በጥሩ ሁኔታ ይሠራል፣ ከአንድ ድምፅ ምሳሌ ጀምሮ የድምፅ ክሎኒንግን ይደግፋል፣ እናም ተፈጥሯዊ የሆነ ንግግርን ያወጣል። የቀን መቁጠሪያው ትንሽ መጠን ለ Edge ማሰራጨት እና ለጥቂት የኃይል ምንጮች አካባቢዎች ተስማሚ ያደርገዋል ፡፡

Kitten TTS by KittenML on ONNX built an ultra-lightweight text-to-speech model. With variants from 15M to 80M parameters (25-80 MB on disk), it delivers high-quality voice synthesis on CPU without requiring a GPU. Features 8 built-in voices, adjustable speech speed, and built-in text preprocessing for numbers, currencies, and units. Ideal for edge deployment and low-latency applications.

CosyVoice3 is the latest evolution from Alibaba's FunAudioLLM team. It features bi-streaming inference with ~150ms latency, instruction-based control for emotion/speed/volume, and improved speaker similarity for zero-shot cloning. Supports 9 languages plus 18 Chinese dialects. RL-tuned variant delivers state-of-the-art prosody.

MOSS-TTS from OpenMOSS supports generation of up to 1 hour of continuous speech across 20 languages. Features token-level duration control, phoneme-level pronunciation control via IPA/Pinyin, and code-switching between languages. The 8B production model delivers state-of-the-art quality with zero-shot voice cloning from reference audio.

MegaTTS3 from ByteDance uses a novel sparse alignment mechanism combined with a latent diffusion transformer. Features adjustable trade-off between speech intelligibility and speaker similarity for zero-shot voice cloning.