تحويل النصوص إلى كلام

كوكورو هو نموذج تحويل النص إلى صوت يحتوي على 82 مليون بارامترات، ويتميز بقدرته على التحدث بلغة طبيعية وتعبيرية بشكل ملحوظ، على الرغم من حجمه الصغير. ويدعم كوكورو لغات متعددة، بما في ذلك الإنجليزية، واليابانية، والصينية، والكورية، مع مجموعة متنوعة من الأصوات التعبيرية. وهو يعمل بسرعة لا تصدق، حيث يولد الصوت بسرعة تبلغ 100 مرة تقريباً من الصوت في الوقت الحقيقي على وحدة المعالجة المركزية.

بايبِر هو محرك خفيف الوزن لتحويل النص إلى صوت طورته شركة راشسباي ويستخدم الهندسة المعمارية VITS و larynx ويعمل بالكامل على وحدة المعالجة المركزية مما يجعله مثاليا لأجهزة الحافة والتشغيل الآلي للمنازل والتطبيقات التي تتطلب تحويل النص إلى صوت خارج الشبكة وبأكثر من 100 صوت عبر 30 لغة، يقدم بايبِر صوت طبيعي بسرعة في الوقت الحقيقي حتى على أجهزة راببيري باي 4.

ويعتبر VITS (الاستدلال المتغير مع التعلم التنازعيّ لتحويل النص إلى كلمة من البداية إلى النهاية) طريقة موازية لتحويل النص إلى كلمة من البداية إلى النهاية، وهي طريقة تولد صوتاً أكثر طبيعية من النماذج الحالية ذات المرحلتين. وهي تعتمد الاستدلال المتغير مع تدفقات تطبيعية وعملية تدريب تنازعية، مما يحقق تحسناً كبيراً في الطبيعة.

MeloTTS من MyShell.ai هي مكتبة متعددة اللغات لترجمة النصوص إلى صوت تدعم اللغة الإنجليزية (الأمريكية، البريطانية، الهندية، الأسترالية)، والإسبانية، والفرنسية، والصينية، واليابانية، والكورية. وهي سريعة للغاية، وتجهز النص بسرعة قريبة من الزمن الحقيقي على وحدة المعالجة المركزية وحدها. وقد صُممت MeloTTS لاستخدام الإنتاج وتدعم كلاً من استنتاج وحدة المعالجة المركزية ووحدة المعالجة الرسومية.

Bark by Suno هو نموذج نص إلى صوت يعتمد على المحول ويمكنه توليد حديث متعدد اللغات وواقعي للغاية، وكذلك صوت آخر مثل الموسيقى، والضوضاء الخلفية، والتأثيرات الصوتية. ويمكنه إنتاج اتصالات غير لفظية مثل الضحك، والتأنيث، والبكاء. Bark يدعم أكثر من 100 متحدث مسبق التحديد وأكثر من 13 لغة.

Bark Small هي نسخة مقطرة من نموذج Bark الذي يقوم بمبادلة بعض الجودة الصوتية بسرعة استنتاج أسرع بكثير ومتطلبات ذاكرة أقل. إنها تحتفظ بقدرة Bark على توليد الكلام مع المشاعر والضحك واللغات المتعددة.

لقد حقق برنامج CosyVoice 2 من مختبر Tongyi في علي بابا جودة صوتية مقارنة بالصوت البشري مع تأخير منخفض للغاية، مما يجعله مثالياً للتطبيقات في الوقت الحقيقي. وهو يستخدم نهجاً كمياً متدرجاً محدوداً لتوليف التدفق ويدعم استنساخ الصوت من الصفر، والتوليف عبر اللغات، والتحكم في العواطف بعناية فائقة. وهو يتفوق على العديد من أنظمة TTS التجارية في التقييمات الذاتية.

ديا من ناري لابز هو نموذج 1.6B النص إلى الكلام البارامترات المصممة خصيصا لتوليد حوار متعدد المتحدثين. يمكن أن ينتج محادثات طبيعية بين اثنين من المتحدثين مع التناوب المناسب، والصوتية، والتعبير العاطفي. ديا مثالية لإنشاء محتوى على غرار البث، وحوارات الكتب السمعية، والذكاء الاصطناعي المحادثة التفاعلية.

بارلر TTS هو نموذج النص إلى حديث يستخدم وصف الصوت باللغة الطبيعية للتحكم في الكلام المولد. بدلاً من اختيار من الأصوات المحددة مسبقاً، يمكنك وصف الصوت الذي تريده (على سبيل المثال، "صوت أنثوي دافئ مع لهجة بريطانية طفيفة، يتحدث ببطء ووضوح") وبارلر يولد الكلام الذي يطابق ذلك الوصف. وهذا يجعله مرناً بشكل فريد للتطبيقات الإبداعية.

إن لغة الترجمة الصوتية الهندية من شركة AI4Bharat توسع من بنية لغة الترجمة الصوتية إلى اللغات الهندية، فتنتج لغة طبيعية في التاميل والبنغالية والماراتي والغوجاراتي والكاندالا والبنجابية والأوديية والأسامية والهندية والتيلوغو والمالايلامية والإنجليزية. وكما هو الحال في لغة الترجمة الصوتية، تصف الصوت الذي تريده بلغة بسيطة ويطابقه النموذج - لا تحتاج إلى أصوات مسبقة التحديد. مدرب على مجموعات لغة AI4Bharat للنطق الحقيقي واللسانيات عبر شبه القارة الهندية.

كانومتان TTS هو نموذج تحرير نصوص تايلاندية مفتوح يقوم على بنية YourTTS متعددة اللغات. وهو مدرب على CC0 ومجموعات تايلندية مرخصة بشكل متساهل (TSync) إلى جانب العديد من اللغات الأخرى، وهو يقدم حديثا تايلانديا طبيعيا بأصوات متعددة. وهو خيار نظيف وقابل للاستخدام التجاري للتايلاندية - اللغة التي تغطيها معظم نماذج تحرير النصوص فقط تحت تراخيص غير تجارية.

إن نظام IndexTTS-2 هو نظام متقدم لتحويل النص إلى كلمة يتفوق في التركيب الصوتي من الصفر مع التحكم في العواطف بصورة دقيقة. ويمكنه توليد كلمة بنغمات عاطفية محددة مثل السعادة، والحزن، والغضب، والخوف دون الحاجة إلى بيانات تدريب خاصة بالعواطف. ويستخدم النموذج متجهات العواطف للتحكم بدقة في التعبير العاطفي للكلمة المولدة.

Spark TTS by SparkAudio هو نموذج لتحويل النص إلى كلام يجمع بين استنساخ الصوت مع المشاعر القابلة للتحكم وأسلوب الكلام. وباستخدام 5 ثوان فقط من الصوت المرجعي، يمكنه استنساخ صوت ثم توليد كلام بمشاعر وسرعة وأساليب مختلفة مع الحفاظ على هوية الصوت المستنسخ. Spark TTS يستخدم نظام تحكم قائم على الطلب.

يجمع GPT-SoVITS بين نمذجة اللغة على غرار GPT مع SoVITS (استنتاج الصوت الغنائي عن طريق الترجمة والتوليف) لاستنساخ صوت قوي بقليل من اللقطات. بخمس ثوانٍ فقط من الصوت المرجعي، يمكنه استنساخ صوت بدقة وتوليد حديث جديد مع الحفاظ على الخصائص الفريدة للمتحدث. وهو يتفوق في كل من توليف الصوت الكلام والغناء.

أورفيوس هو نموذج كبير لتحويل النص إلى كلام يحقق التعبير العاطفي على المستوى البشري. وهو مدرب على أكثر من 100 ألف ساعة من بيانات الكلام المتنوعة، ويتفوق في توليد الكلام مع المشاعر الطبيعية، والتأكيد، وأنماط الكلام. ويمكن لأورفيوس إنتاج الكلام الذي لا يمكن تمييزه تقريبا عن التسجيلات البشرية.

إن نموذج Chatterbox الذي طورته شركة Resemble AI هو نموذج متقدم لاستنساخ الصوت من دون تسجيل أي صوت. وهو قادر على استنساخ أي صوت من عينة صوتية واحدة بدقة مذهلة، ولا يقتصر على التقاط النغمة فحسب، بل وأيضاً أسلوب الكلام والفوارق الدقيقة العاطفية. كما يتميز Chatterbox بالتحكم في العواطف بصورة دقيقة، مما يسمح لك بتعديل النبرة العاطفية للكلمات المولدة بصورة مستقلة عن الهوية الصوتية.

إن نظام Tortoise TTS هو نظام تلقائي للتراجع متعدد الأصوات لتحويل النص إلى كلمة، ويضع جودة الصوت فوق السرعة، ويستخدم بنية مستوحاة من DALL-E لتوليد كلمة طبيعية للغاية مع جودة ممتازة في الصوت وتشابه المتحدث. ورغم أن نظام Tortoise أبطأ من العديد من البدائل، فإنه ينتج بعض أكثر الكلمات التركيبية واقعية المتاحة في النظام البيئي المفتوح المصدر.

يحقق StyleTTS 2 توليف TTS على المستوى البشري من خلال الجمع بين انتشار الأسلوب مع التدريب التنازع باستخدام نماذج كبيرة للغة الكلام. إنه يولد أكثر الكلام الطبيعي بين نماذج المتحدث الواحد، منافسة التسجيلات البشرية. StyleTTS 2 يستخدم نمذجة الأسلوب القائمة على الانتشار للحصول على النطاق الكامل من التنوع في الكلام البشري.

يسمح برنامج OpenVoice من MyShell.ai باستنساخ الصوت فورا مع التحكم الجذري في أسلوب الصوت، والعاطفة، والتشديد، والإيقاع، والتوقفات، والنبرة. ويمكنه استنساخ صوت من مقطع صوت قصير وتوليد الكلام بلغات متعددة مع الحفاظ على هوية المتكلم. ويعمل OpenVoice أيضا كمحول صوت، مما يسمح بتحويل الصوت في الوقت الحقيقي.

Qwen3-TTS هو نموذج تحويل النص إلى كلمة يحتوي على 1.7 مليار بارامترات من فريق Qwen في Alibaba. وهو يدعم نمطين: أصوات محددة مسبقاً مع التحكم العاطفي (9 متحدثين)، ونمط تصميم صوت فريد حيث يمكنك وصف الصوت الذي تريده بلغة طبيعية. وهو يغطي 10 لغات مع تعبير عالي وصوت طبيعي.

10+ ساعات من البيانات الثنائية اللغة. وهو يدعم شفرة en-vi بدون توقف، 7 أصوات مسبقة التحديد تشمل لهجات الشمال والجنوب، واستنساخ الصوت الفوري من 3-5 ثوان من الصوت المرجعي. يعمل بالكامل على وحدة المعالجة المركزية من خلال GGUF Q4 استنتاج + ONNX فك التشفير السمعي - لا توجد حاجة إلى وحدة المعالجة المركزية، وتنتهي الأجيال في ~ 7 ثوان.

نموذج الكلام المحادثي Sesame CSM (Conversational Speech Model) هو نموذج مكون من 1 مليار بارامترات مصمم خصيصا لتوليد الكلام المحادثي. وهو يقوم بنمذجة الأنماط الطبيعية للمحادثة البشرية بما في ذلك توقيت التناوب، واستجابات القنوات الخلفية، وردود الفعل العاطفية، وتدفق المحادثة. ويولد نموذج الكلام المحادثي CSM صوتاً يبدو وكأنه محادثة بشرية طبيعية بدلاً من الكلام التركيبي.

Chatterbox Turbo by Resemble AI هو تحديث 350M البارامترات إلى Chatterbox، وتسليم حتى 6x سرعة الوقت الحقيقي مع أقل من 200ms تأخير. إنه يدعم علامات paralinguistic مثل [ضحك]، [السعال]، و [ضحك] مباشرة في النص. يشمل Perth علامة مائية على جميع السمعي المولدة لتتبع المنشأ.

VoxCPM 1.5 من OpenBMB هو نموذج جديد لترجمة النصوص إلى صوت خال من الرمزيات يعمل في فضاء مستمر بدلاً من رموز منفصلة. وهو ينتج صوتاً عالي الدقة بتردد 44.1 كيلوهرتز، ويدعم استنساخ الصوت من 3 إلى 10 ثوان، ويحافظ على الاتساق عبر الفقرات. ويسمح لك استنساخ اللغات بتطبيق صوت إنجليزي على الكلام الصيني والعكس بالعكس.

Kani-TTS-2 من NineNineSix هو نموذج بارامترات خفيف للغاية 400M مبني على رأسية Liquid AI LFM2 مع NVIDIA NanoCodec. وهو يعمل في 3GB فقط من ذاكرة العرض و ينتج ~10 ثانية من الكلام في ~2 ثانية على A100 (RTF 0.2). الإصدار العام الحالي يحمل نقطة تحقق `kani-tts-2-en` باللغة الإنجليزية فقط ولا يكشف عن نقطة إدراج المتحدث اللازمة لاستنساخ الصوت - استخدم Chatterbox / IndexTTS2 / F5-TTS للاستنساخ، أو Kokoro / MeloTTS لغير الإنجليزية.

OuteTTS توسع نماذج اللغة الكبيرة مع القدرات النص إلى الكلام مع الحفاظ على البنية الأصلية. إنه يدعم العديد من الخلفيات بما في ذلك llama.cpp (CPU / GPU)، وتحويلات الوجه الحب، ExLlamaV2، VLLM، وحتى الاستدلال المتصفح عن طريق Transformers.js. مميزات استنساخ الصوت صفر-الطلقة من خلال ملف المتحدثين المخزنة كJSON.

ويأتي VibeVoice من Microsoft في صيغة 1.5B للمحتوى الطويل (حتى 90 دقيقة، 4 متحدثين) ونموذج Realtime 0.5B للتدفق مع ~ 200ms التأخير السمعي الأول. 1.5B المتغير يتفوق في البودكاست والكتب السمعية مع الاتساق المتحدث على مقاطع طويلة. ملاحظة: Microsoft أزالت TTS رمز من المستودع والصوت المولد يشمل الذكاء الاصطناعي المسموع إخلاء المسؤولية.

إن نموذج تحويل النص إلى صوت جيب من إنتاج كيوتاي (مطورو موشي) هو نموذج مكون من 100 مليون بارامتر للنص إلى صوت، وهو نموذج مكتمل الحجم، ويعمل بكفاءة على وحدة المعالجة المركزية، ويدعم استنساخ الصوت من عينة صوتية واحدة، وينتج صوتاً طبيعياً. ويجعل حجم النموذج الصغير منه نموذجاً مثالياً لنشره على الحافة والبيئات ذات الموارد المنخفضة.

Kitten TTS by KittenML هو نموذج خفيف للغاية لتحويل النص إلى كلمة مبني على ONNX. مع أشكال من 15M إلى 80M بارامترات (25-80 MB على القرص)، وهو يوفر تركيب صوت عالي الجودة على وحدة المعالجة المركزية دون الحاجة إلى وحدة معالجة رسومية. يتميز بثمانية أصوات داخلية، وسرعة الكلام القابلة للتعديل، ومعالجة مسبقة للنصوص داخلية للأرقام والعملات والوحدات. مثالي لنشر الحافة وتطبيقات منخفضة التأخير.

CosyVoice3 هو أحدث تطور من فريق Alibaba's FunAudioLLM. إنه يتميز بالاستدلال الثنائي المسار مع تأخير ~150ms، والتحكم القائم على التعليمات للعاطفة/السرعة/الحجم، وتشابه المتحدث المحسّن لاستنساخ الصفر-الطلقة. يدعم 9 لغات بالإضافة إلى 18 لهجة صينية. المتغير RL-tuned يقدم أحدث التكنولوجيا النثر.

NAMAA Saudi TTS is a Saudi Arabic fine-tune of Resemble AI's ChatterboxMultilingual. Trained by NAMAA Space on authentic Saudi-dialect speech, it produces natural Modern Standard Arabic and Saudi colloquial pronunciation that generic multilingual models cannot match. Inherits Chatterbox's zero-shot voice cloning and emotion control via reference audio prompts. The first open-weights Arabic TTS deployed on TTS.ai.

Darwin-TTS-1.7B-Cross by FINAL-Bench هو صيغة بحثية من Qwen3-TTS-1.7B حيث يتم مزج 84 تنسور من تنسورات المتحدثين (8.6%) بنسبة α=3% مع التنسورات المطابقة من Qwen3-1.7B-Base. ويجري بناء الخليط دون إعادة التدريب وينتج استنساخ صوت أكثر وضوحاً بشكل ملحوظ عبر اللغات الكورية والإنكليزية واليابانية والصينية. ويعمل في وضع استنساخ الصوت بدون طلقة (3 ثوانٍ من الصوت المرجعي).

MOSS-TTSD v1.0 من OpenMOSS هو نموذج 7B لتحويل النص إلى صوت يواصل المحادثات من نداءات صوتية قصيرة. يدعم ما يصل إلى 5 متحدثين متزامنين عن طريق علامات [S1]/[S2]، واستنساخ الصوت من 3-10 ثانية من الصوت المرجعي، وما يصل إلى 60 دقيقة من الحوار المتعدد الدورات المترابط عبر 20 لغة.

نموذج الكلام المدمجة متعددة الوسائط Ming-omni-tts-0.5B من InclusionAI هو نموذج كلام متعدد الوسائط مدمج مبني على أساس BailingMM الكثيف مع فك التشفير السمعي المطابق للتدفق Patch-by-Patch. يوفر 44.1kHz مخرج (قريبة من جودة CD)، ويدعم استنساخ الصوت صفر-الطلقة من 3 + ثانية مرجع، ويشمل المشاعر الداخلية / اللهجة / BGM التحكم عن طريق تعليمات JSON. استقرار ممتاز - 0.83% WER على المعايير الصينية.

MOSS-TTS-Nano-100M هو متغير OpenMOSS المدمجة 100M-بارامترات من عائلة MOSS-TTS، وتقاسم بنية المحول التأخير. مبادلة نموذج 8B ذروة الجودة ل ~ 80x أوزان أصغر و VRAM أقل بكثير لكل طلب، مما يجعله مناسبا لنشر الطبقة الحرة ومعدلات عالية.