AI টেক্সট-টু-স্পীচName
মুক্ত উৎসৰ AI মডেল ব্যৱহাৰ কৰি টেক্সটক স্বাভাৱিক স্বৰযুক্ত কথোপকথনত ৰূপান্তৰ কৰক। ব্যৱহাৰৰ বাবে বিনামূলীয়া, কোনো একাওন্টৰ প্ৰয়োজন নাই।
সঠিক নিয়ন্ত্ৰণৰ বাবে SSML টেগসমূহত আপোনাৰ টেক্সট আৱৰণ কৰক:
<speak><prosody rate="slow">Slow speech</prosody></speak>
নিৰ্বাচিত মডেলে বুজি পোৱা টেগসমূহ - আপোনাৰ টেক্সটত এটা ড্ৰপ কৰিবলৈ ক্লিক কৰক য'ত ই ঘটে:
এই আৰ্হি প্লেইন টেক্সট পঢ়ে, গতিকে ইনলাইন টেগসমূহ উপেক্ষা কৰা হয়। টেগ-ভিত্তিক আবেগসমূহৰ বাবে, Orpheus বা Bark ৰ দৰে এটা অভিব্যক্তিমূলক আৰ্হিলৈ পৰিবৰ্তন কৰক।
স্বনিৰ্বাচিত উচ্চাৰণ নিৰ্ধাৰণ কৰক (শব্দ = উচ্চাৰণ):
আৰ্হিৰ বিৱৰণ
Indic Parler TTS
Indic Parler TTS by AI4Bharat extends the Parler architecture to Indian languages, generating natural speech in Tamil, Bengali, Marathi, Gujarati, Kannada, Punjabi, Odia, Assamese, Hindi, Telugu, Malayalam and English. Like Parler, you describe the voice you want in plain language and the model matches it — no preset voices required. Trained on AI4Bharat speech corpora for authentic pronunciation and prosody across the Indian subcontinent.
| বিকাশক: | AI4Bharat |
| অনুমতি: | Apache 2.0 |
| গতি | ধীর |
| গুণ: | |
| ভাষাসমূহ | 12 ভাষাসমূহ |
| VRAM | 8GB |
| ধ্বনি ক্লোনিং | অসমৰ্থিত |
ভাল ফলাফলৰ বাবে টিপস
- স্বাভাৱিক স্থগিত আৰু উচ্চাৰণৰ বাবে সঠিক বিৰাম-চিহ্ন ব্যৱহাৰ কৰক
- সুস্পষ্ট উচ্চাৰণৰ বাবে সংখ্যা আৰু সংক্ষিপ্তকৰণ বানান কৰক
- বাক্যাংশৰ মাজত সংক্ষিপ্ত বিৰাম সৃষ্টি কৰিবলৈ কমা যোগ কৰক
- দীৰ্ঘ নাটকীয় বিৰামৰ বাবে ellipsis (...) ব্যৱহাৰ কৰক
- প্ৰাকৃতিক ফলাফলৰ বাবে Kokoro অথবা CosyVoice ২ চেষ্টা কৰক
- মাল্টি-স্পীকাৰ ডাইলগ আৰু পোডকাস্ট সামগ্ৰীৰ বাবে Dia ব্যৱহাৰ কৰক
ঋণ ব্যয়
| টাইৰ | মূল্য |
|---|---|
| মুক্ত | ০ ক্ৰেডিট (অসীম) |
| অবিকল্পিত | ২ ক্রেডিট / ১K আখৰ |
| প্ৰিমিয়াম | ৪ ক্রেডিট / ১K আখৰ |
AI টেক্সট-টু-স্পীচ কিদৰে কাম কৰে
তিনিটা সহজ পদক্ষেপে পেশাদাৰী-গুণমানৰ ভয়েসঅভাৰ নিৰ্মাণ কৰক। কোনো প্ৰযুক্তিগত জ্ঞানৰ প্ৰয়োজন নাই।
আপোনাৰ টেক্সট লিখক
আপুনি কথোপকথনত পৰিবৰ্তন কৰিব বিচৰা টেক্সট টাইপ কৰক, পেস্ট কৰক, অথবা আপলোড কৰক। প্ৰৱেশ কৰা ব্যৱহাৰকাৰীৰ বাবে প্ৰতি প্ৰজন্মত ৫,০০০ আখৰ সমৰ্থন কৰে। উচ্চাৰণ, বিৰাম আৰু গুৰুত্বৰ ওপৰত উন্নত নিয়ন্ত্ৰণৰ বাবে প্লেইন টেক্সট ব্যৱহাৰ কৰক অথবা SSML টেগ যোগ কৰক।
আৰ্হি আৰু শব্দ নিৰ্বাচন কৰক
৩টা স্তৰত ২০+ AI মডেল নিৰ্বাচন কৰক। আপোনাৰ বিষয়বস্তুৰ সৈতে মিল থকা এটা শব্দ নিৰ্বাচন কৰক, আপোনাৰ লক্ষ্য ভাষা নিৰ্বাচন কৰক, প্লেব্যাক গতি ০.৫x ৰ পৰা ২.০x লৈ পৰিবৰ্তন কৰক, আৰু আপোনাৰ পছন্দৰ আউটপুট বিন্যাস (MP3, WAV, OGG, অথবা FLAC) নিৰ্বাচন কৰক।
সৃষ্টি কৰক আৰু ডাউনল'ড কৰক
নিৰ্মাণ কৰক ক্লিক কৰক আৰু আপোনাৰ অডিঅ' ছেকেণ্ডসমূহত প্ৰস্তুত হ'ব। অভ্যন্তৰীণ প্লেয়াৰৰ সৈতে পূৰ্বপ্ৰদৰ্শন কৰক, আপোনাৰ নিৰ্বাচিত বিন্যাসত ডাউনল'ড কৰক, অথবা এটা অংশীদাৰী কৰিব পৰা লিঙ্ক কপি কৰক। ব্যাচ প্ৰক্ৰিয়াকৰণ আৰু আপোনাৰ কাৰ্য্যক্ৰমত একত্ৰিত কৰাৰ বাবে API ব্যৱহাৰ কৰক।
টেক্সট-টু-স্পিচ ব্যৱহাৰৰ ঘটনাসমূহ
কৃত্ৰিম বুদ্ধিমত্তাৰ সহায়ত টেক্সট-টু-স্পীচ প্ৰযুক্তিৰ জৰিয়তে বহুতো উদ্যোগত মানুহে কিদৰে অডিঅ’ সামগ্ৰী সৃষ্টি কৰে, ব্যৱহাৰ কৰে আৰু ইয়াৰ সৈতে সম্পৰ্ক স্থাপন কৰে, সেয়া পৰিৱৰ্তিত হৈ পৰিছে।
সকলো টেক্সট-টু-স্পিচ মডেল
TTS.ai ত উপলব্ধ প্ৰতিটো AI মডেলৰ বিস্তাৰিত বিৱৰণ। আপোনাৰ প্ৰকল্পৰ বাবে সঠিক মডেল পোৱাৰ বাবে গুণমান, গতি, ভাষা সমৰ্থন আৰু বৈশিষ্ট্যসমূহৰ তুলনা কৰক।
Kokoro
Free
Kokoro এটা ৮২ মিলিয়ন প্ৰাচলৰ টেক্সট-টু-স্পীচ মডেল যি ইয়াৰ ওজনৰ শ্ৰেণীৰ ওপৰত ভালদৰে কাম কৰে। ইয়াৰ ক্ষুদ্ৰ আকাৰ সত্ত্বেও, ই উল্লেখযোগ্যভাৱে প্ৰাকৃতিক আৰু অভিব্যক্তিমূলক ভাষা প্ৰস্তুত কৰে। Kokoro ইংৰাজী, জাপানী, চীনা আৰু কোৰীয় সহ বহুতো ভাষাক বিভিন্ন অভিব্যক্তিমূলক শব্দৰ সৈতে সমৰ্থন কৰে। ই অভূতপূৰ্বভাৱে দ্ৰুতভাৱে চলি থাকে - এটা GPU ত ৰিয়েল-টাইমৰ তুলনাত প্ৰায় ১০০x দ্ৰুতত অডিঅ' প্ৰস্তুত কৰে।
Hexgrad
Apache 2.0
স্থায়ী
en, ja, zh, fr, it, pt, es, hi
1.5GB
নহয়
মুক্ত
Piper
Free
Piper এটা হালধীয়া টেক্সট-টু-স্পীচ ইঞ্জিন যি Rhasspy দ্বাৰা উন্নত কৰা হৈছে যি VITS আৰু larynx স্থাপত্যসমূহ ব্যৱহাৰ কৰে। ই সম্পূৰ্ণৰূপে CPU ত চলায়, ই ইয়াক এডজ ডিভাইচ, ঘৰ স্বচালিতকৰণ, আৰু অফলাইন TTS প্ৰয়োজন হোৱা এপ্লিকেচনসমূহৰ বাবে আদর্শ কৰি তোলে। 30+ ভাষাত 100 ৰ অধিক কন্ঠৰ সৈতে, Piper এ এটা Raspberry Pi 4 ৰ ওপৰতো প্ৰকৃত-সময়ৰ গতিৰে প্ৰাকৃতিক-স্বৰযুক্ত কথন প্ৰদান কৰে।
Rhasspy
MIT
স্থায়ী
en, de, fr, es, it, pt, nl, pl, ru, zh, ar, cs, da, fi, el, hu, is, ka, kk, ne, no, ro, sk, sr, sv, sw, tr, uk, vi, ca, cy, fa, lv, sl, lb, eu, id, ku, ml, sq, te, ur
0 (CPU only)
নহয়
মুক্ত
VITS
Free
VITS (Variation Inference with adversarial learning for end-to-end Text-to-Speech) হৈছে এটা সমান্তৰাল end-to-end TTS পদ্ধতি যি বৰ্তমান দুটা স্তৰৰ মডেলৰ তুলনাত অধিক প্ৰাকৃতিক সুৰযুক্ত অডিঅ' প্ৰস্তুত কৰে। ই প্ৰাকৃতিকতাত উল্লেখযোগ্য উন্নতি সাধন কৰি স্বাভাৱিকীকৰণ প্ৰবাহ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰশিক্ষণ প্ৰক্ৰিয়াৰ সৈতে বৃদ্ধি কৰা variational inference গ্ৰহণ কৰে।
Jaehyeon Kim et al.
MIT
স্থায়ী
en, de, es, fr, pt, nl, fi, hu, bg, ja, pl
1GB
নহয়
মুক্ত
MeloTTS
Free
MyShell.ai দ্বাৰা MeloTTS এটা বহুভাষিক TTS লাইব্ৰেৰি যি ইংৰাজী (আমেৰিকান, ব্ৰিটিছ, ভাৰতীয়, অস্ট্ৰেলিয়ান), স্পেনিশ, ফৰাচী, চীনা, জাপানি আৰু কোৰীয় সমৰ্থন কৰে। ই অতি দ্রুত, কেৱল CPU ত প্ৰায় ৰিয়েল-টাইম গতিৰে টেক্সট প্ৰক্ৰিয়াকৰণ কৰে। MeloTTS উৎপাদন ব্যৱহাৰৰ বাবে নিৰ্মিত আৰু CPU আৰু GPU উভয়কে সমৰ্থন কৰে।
MyShell.ai
MIT
স্থায়ী
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
নহয়
মুক্ত
Bark
Standard
Suno ৰ Bark হৈছে এটা পৰিবৰ্তন-ভিত্তিক টেক্সট-টু-অডিঅ' মডেল যি অতি বাস্তববাদী, বহুভাষিক কথোপকথন লগতে সঙ্গীত, পটভূমিৰ শব্দ আৰু শব্দৰ প্ৰভাৱৰ দৰে অন্যান্য অডিঅ' সৃষ্টি কৰিব পাৰে। ই হাস্যৰস, চিঞৰ আৰু কান্দোনৰ দৰে অবাক্যগত যোগাযোগ সৃষ্টি কৰিব পাৰে। Bark এ ১০০ ৰো অধিক কথোপকথক প্ৰিসেট আৰু ১৩+ ভাষা সমৰ্থন কৰে।
Suno
MIT
ধীর
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
নহয়
2x
Bark Small
Standard
Bark Small হ'ল Bark মডেলৰ এটা বিশুদ্ধ সংস্কৰণ যি কিছু অডিঅ' গুণমানক উল্লেখযোগ্যভাৱে দ্ৰুত অনুমান গতি আৰু কম মেমৰি প্ৰয়োজনৰ বাবে বিনিময় কৰে। ই Bark ৰ অনুভূতি, হাঁহি আৰু একাধিক ভাষাৰ সৈতে কথোপকথন সৃষ্টি কৰাৰ ক্ষমতা ৰক্ষা কৰে।
Suno
MIT
মধ্যম
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
নহয়
2x
CosyVoice 2
Standard
Alibaba's Tongyi Lab ৰ CosyVoice2এ অতি কম লেটেন্সিৰ সৈতে মানৱ-সদৃশ কথোপকথনৰ গুণমান লাভ কৰে, যাক ৰিয়েল-টাইম এপ্লিকেচনসমূহৰ বাবে আদর্শ কৰি তোলে। ই স্ট্ৰিমিং সংশ্লেষণৰ বাবে এটা সীমাবদ্ধ স্কেলাৰ কোয়ান্টাইজেশন প্ৰক্ৰিয়া ব্যৱহাৰ কৰে আৰু শূণ্য-শট কথোপকথন ক্লোনিং, ক্ৰচ-লিঙ্গুৱেজ সংশ্লেষণ, আৰু ভাল-গ্ৰেনেড অনুভূতি নিয়ন্ত্ৰণ সমৰ্থন কৰে। ই ব্যক্তিগত মূল্যায়নত বহুতো বাণিজ্যিক TTS ব্যৱস্থাক অতিক্ৰম কৰে।
Alibaba (Tongyi Lab)
Apache 2.0
মধ্যম
en, zh, ja, ko, fr, de, it, es
4GB
হ্যাঁ
2x
Dia TTS
Standard
Nari Labs ৰ Dia এটা 1.6B প্ৰাচল টেক্সট-টু-স্পীচ মডেল যি বিশেষকৈ বহু-ভাষক সংলাপ নিৰ্মাণৰ বাবে ডিজাইন কৰা হৈছে। ই দুটা ভাষাভাষীৰ মাজত প্ৰকৃত-স্বৰযুক্ত কথোপকথন প্ৰস্তুত কৰিব পাৰে যথাযথ টাৰ্ণ-টেকিং, প্ৰোসোডি, আৰু আবেগিক অভিব্যক্তিৰ সৈতে। Dia podcast-style সামগ্ৰী, অডিঅ'বুক সংলাপ, আৰু ইন্টাৰেক্টিভ কথোপকথন AI সৃষ্টি কৰাৰ বাবে সম্পূৰ্ণ।
Nari Labs
Apache 2.0
মধ্যম
en
4GB
নহয়
2x
Parler TTS
Standard
Parler TTS এটা টেক্সট-টু-স্পিচ মডেল যি সৃষ্টি কৰা কথন নিয়ন্ত্ৰণ কৰিবলৈ প্ৰাকৃতিক ভাষাৰ কথন বৰ্ণনা ব্যৱহাৰ কৰে। পূৰ্বনিৰ্ধাৰিত কথনসমূহৰ পৰা নিৰ্বাচন কৰাৰ পৰিবৰ্তে, আপুনি আপোনাৰ ইচ্ছাকৃত কথন বৰ্ণনা কৰে (উদাহৰণস্বৰূপ, "এক সৰু ব্রিটিশ উচ্চাৰণৰ সৈতে এটা উষ্ণ মহিলাৰ কথন, ধীৰে আৰু স্পষ্টভাৱে কথন কৰা") আৰু Parler এ সেই বৰ্ণনাৰ সৈতে মিল থকা কথন সৃষ্টি কৰে। ই ইয়াক সৃষ্টিশীল এপ্লিকেচনসমূহৰ বাবে অনন্যভাৱে নমনীয় কৰে।
Hugging Face
Apache 2.0
মধ্যম
en
4GB
নহয়
2x
Indic Parler TTS
Standard
AI4Bharat ৰ Indic Parler TTS এ Parler আৰ্কিটেকচাৰক ভাৰতীয় ভাষালৈ প্ৰসাৰিত কৰে, তামিল, বঙালী, মৰাঠি, গুজৰাটী, কন্নড়, পাঞ্জাবী, ওড়িয়া, অসমীয়া, হিন্দী, তেলুগু, মালয়ালাম আৰু ইংৰাজী ভাষাত স্বাভাৱিকভাৱে কথা ক’ব পৰাকৈ। Parler ৰ দৰে, আপুনি যিটো শব্দ বিচাৰিছে, সেইটো সৰল ভাষাত বৰ্ণনা কৰে আৰু মডেলটোৱে সেইটোক মিল কৰে – কোনো প্ৰি-চেট কৰা শব্দৰ প্ৰয়োজন নাই। AI4Bharat ৰ ভাষা ক’ৰ্পাৰেটৰ ওপৰত প্ৰশিক্ষণ প্ৰাপ্ত ভাৰতীয় উপমহাদেশৰ প্ৰকৃত উচ্চাৰণ আৰু শব্দৰ বিন্যাসৰ বাবে।
AI4Bharat
Apache 2.0
ধীর
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
8GB
নহয়
2x
KhanomTan TTS
Standard
KhanomTan TTS এটা খোলা থাই টেক্সট-টু-স্পীচ মডেল যি YourTTS বহুভাষিক আৰ্হিত নিৰ্মিত হৈছে। CC0 আৰু অনুমতিমূলক-লাইচেঞ্চিত থাই কৰ্মসমূহ (TSync) আৰু আন কেইবাটাও ভাষাৰ সৈতে প্ৰশিক্ষিত, ই বহুভাষী কণ্ঠস্বৰ সহ স্বাভাৱিক থাই ভাষাৰ কথা প্ৰদান কৰে। থাইৰ বাবে এটা পৰিষ্কাৰ, বাণিজ্যিক-ব্যৱহাৰযোগ্য বিকল্প - ভাষাৰ অধিকাংশ খোলা TTS মডেলসমূহ কেৱল অবাণিজ্যিক লাইচেঞ্চৰ অধীনত অন্তৰ্ভুক্ত কৰে।
Wannaphong Phatthiyaphaibun
Apache 2.0
স্থায়ী
th
2GB
নহয়
2x
IndexTTS-2
Standard
IndexTTS-2 এটা উন্নত টেক্সট-টু-স্পিচ ব্যৱস্থা যাক শূণ্য-শট শব্দ সংশ্লেষণত উত্তম আৰু ভাল-গ্ৰেইনেড অনুভূতি নিয়ন্ত্ৰণৰ সৈতে। ই অনুভূতি-বিশেষ প্ৰশিক্ষণ তথ্যৰ প্ৰয়োজন নোহোৱাকৈ সুখী, দুখী, ক্ষুব্ধ অথবা ভয়ংকৰ দৰে নিৰ্দিষ্ট অনুভূতিমূলক টোনসমূহৰ সৈতে কথা সৃষ্টি কৰিব পাৰে। মডেলে সৃষ্টি কৰা কথাৰ অনুভূতিমূলক অভিব্যক্তি সঠিকভাৱে নিয়ন্ত্ৰণ কৰিবলৈ অনুভূতি ভেক্টৰসমূহ ব্যৱহাৰ কৰে।
Index Team
Bilibili Model License
মধ্যম
en, zh
4GB
হ্যাঁ
2x
Spark TTS
Standard
Spark TTS by SparkAudio এটা টেক্সট-টু-স্পীচ মডেল যি কন্ঠ ক্লোনিংক নিয়ন্ত্ৰণ কৰিব পৰা অনুভূতি আৰু কথোপকথনৰ শৈলীৰ সৈতে সংযুক্ত কৰে। কেৱল ৫ ছেকেণ্ডৰ রেফাৰেন্স অডিঅ' ব্যৱহাৰ কৰি, ই এটা কথোপকথন ক্লোন কৰিব পাৰে আৰু তাৰ পিছত বিভিন্ন অনুভূতি, গতি, আৰু শৈলীৰ সৈতে কথোপকথন সৃষ্টি কৰিব পাৰে। ক্লোন কৰা কথোপকথনৰ পৰিচয় বজাই ৰাখি। Spark TTS এ এটা প্ৰমপ-ভিত্তিক নিয়ন্ত্ৰণ ব্যৱস্থা ব্যৱহাৰ কৰে।
SparkAudio
CC BY-NC-SA 4.0
মধ্যম
en, zh
4GB
হ্যাঁ
2x
GPT-SoVITS
Standard
GPT-SoVITS এ GPT-শৈলীৰ ভাষা মডেলিং আৰু SoVITS (Singing Voice Inference via Translation and Synthesis) ৰ সৈতে শক্তিশালী few-shot শব্দ ক্লোনিংৰ বাবে সংমিহলি কৰে। ৫ ছেকেণ্ডৰ পৰিচয়ৰ অডিঅ'ৰ সৈতে, ই সঠিকভাৱে এটা শব্দ ক্লোন কৰিব পাৰে আৰু স্পিকারৰ অনন্য বৈশিষ্ট্যসমূহ সংৰক্ষণ কৰি নতুন শব্দ উৎপন্ন কৰিব পাৰে। ই দুয়োটা কথা কোৱা আৰু গাই থকা শব্দ সংমিহলি কৰাত অসাধাৰণ।
RVC-Boss
MIT
ধীর
en, zh, ja, ko
6GB
হ্যাঁ
2x
Orpheus
Standard
Orpheus হৈছে এটা বৃহৎ পৰিমাণৰ টেক্সট-টু-স্পীচ মডেল যি মানৱ স্তৰৰ আবেগিক অভিব্যক্তি প্ৰাপ্ত কৰে। ১০০,০০০ ঘণ্টাৰ অধিক বিভিন্ন ভাষাৰ তথ্যত প্ৰশিক্ষিত, ই প্ৰাকৃতিক আবেগ, জোৰ, আৰু কথা ক'ব পৰা শৈলীৰ সৈতে কথা ক'বলৈ উৎকৃষ্ট। Orpheus মানৱ ৰেকৰ্ডৰ পৰা প্ৰকৃততে অবিভাজ্যভাৱে কথা ক'ব পাৰে।
Canopy Labs
Llama 3.2 Community
মধ্যম
en
4GB
নহয়
2x
Chatterbox
Premium
Resemble AI ৰ Chatterbox হৈছে এটা cutting-edge zero-shot voice cloning মডেল। ই এটা অডিঅ' নমুনাৰ পৰা যিকোনো শব্দ উল্লেখযোগ্য সঠিকতাৰ সৈতে প্ৰতিলিপি কৰিব পাৰে, কেৱল টাইমৰে নহয় কিন্তু কথোপকথনৰ শৈলী আৰু আবেগিক নমনীয়তাও গ্ৰহণ কৰে। Chatterbox ৰ লগতে fine-grained emotion control ৰ বৈশিষ্ট্য আছে, যি আপুনি সৃষ্টি কৰা কথোপকথনৰ আবেগিক টোনক শব্দৰ পৰিচয়ৰ পৰা স্বাধীনভাৱে সলনি কৰিব পাৰিব।
Resemble AI
MIT
মধ্যম
en
4GB
হ্যাঁ
4x
Tortoise TTS
Premium
Tortoise TTS এটা স্বয়ংক্ৰিয় মাল্টি-স্বৰ টেক্সট-টু-স্পীচ ব্যৱস্থা যাৰ গতিত অডিঅ'ৰ গুণমানৰ গুৰুত্ব আছে। ই DALL-E-প্ৰেৰণা লাভ কৰা স্থাপত্য ব্যৱহাৰ কৰে উচ্চ প্ৰাকৃতিক কথোপকথন উৎপাদন কৰিবলৈ উত্তম প্ৰোসোডি আৰু কথোপকথনৰ অনুৰূপতাৰে। বহু বিকল্পৰ তুলনাত ধীর হ'লেও, Tortoise এ মুক্ত উৎসৰ পৰিৱেশ ব্যৱস্থাত উপলব্ধ কিছু সৰ্বাধিক বাস্তবসম্মত সংশ্লেষিত কথোপকথন উৎপাদন কৰে।
James Betker
Apache 2.0
ধীর
en
8GB
হ্যাঁ
4x
StyleTTS 2
Premium
StyleTTS2এ বড়ো বক্তৃতা ভাষাৰ মডেল ব্যৱহাৰ কৰি শৈলী প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰশিক্ষণৰ সৈতে শৈলী প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰশিক্ষণৰ সৈতে শৈলী প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰশিক্ষণৰ সৈতে শৈলী প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰশিক্ষণৰ সৈতে শৈলী প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰশিক্ষণৰ সৈতে শৈলী প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ আৰু প্ৰতিদ্বন্দ্বিতামূলক প্ৰসাৰণ
Columbia University
MIT
মধ্যম
en
4GB
নহয়
4x
OpenVoice
Premium
MyShell.ai দ্বাৰা OpenVoice তৎক্ষণাত কন্ঠৰ ক্লোনিং সামৰ্থবান কৰে কন্ঠৰ শৈলী, অনুভূতি, উচ্চাৰণ, ৰীতি, স্থগিত, আৰু ইটোনেচনৰ ওপৰত দ্ৰুত নিয়ন্ত্ৰণৰ সৈতে। ই এটা সংক্ষিপ্ত অডিঅ' ক্লিপৰ পৰা এটা কন্ঠক ক্লোন কৰিব পাৰে আৰু কথোপকথনকাৰীৰ পৰিচয় বজাই ৰাখি একাধিক ভাষাত কথোপকথন সৃষ্টি কৰিব পাৰে। OpenVoice এটা কথোপকথন পৰিবৰ্তনকাৰী হিচাপেও কাম কৰে, ৰিয়েল-টাইম কথোপকথন পৰিবৰ্তনৰ অনুমতি দিয়ে।
MyShell.ai / MIT
MIT
মধ্যম
en, zh, ja, ko, fr, es
4GB
হ্যাঁ
4x
Qwen3 TTS
Standard
Qwen3-TTS Alibaba ৰ Qwen দলৰ পৰা ১.৭ বিলিয়ন প্ৰাচল টেক্সট-টু-স্পীচ মডেল। ই তিনিটা অৱস্থা সমৰ্থন কৰে: অনুভূতি নিয়ন্ত্ৰণৰ সৈতে প্ৰি-সেট কৰা কন্ঠ (৯ জন কণ্ঠস্বৰ), কেৱল ৩ ছেকেণ্ডৰ অডিঅ'ৰ পৰা কণ্ঠস্বৰ ক্লোনিং, আৰু এটা অনন্য কণ্ঠস্বৰ ডিজাইন অৱস্থা য'ত আপুনি প্ৰাকৃতিক ভাষাত ইচ্ছা কৰা কণ্ঠস্বৰ বৰ্ণনা কৰিব পাৰে। ই উচ্চ অভিব্যক্তি আৰু প্ৰাকৃতিক প্ৰোসোডিৰ সৈতে ১০টা ভাষাক আৱৰি আছে।
Alibaba (Qwen)
Apache 2.0
মধ্যম
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
নহয়
2x
VieNeu-TTS-v2
Standard
VieNeu-TTS-v2 হৈছে এটা ৩০০ মেগাবাইট মানদণ্ডৰ ভিয়েতনামী-প্ৰথম TTS মডেল যি ১০,০০০+ ঘণ্টাৰ দ্বিভাষিক তথ্যত প্ৰশিক্ষিত। ই ছিমলেছ en-vi কোড-শ্বিচিং, উত্তৰ আৰু দক্ষিণ উচ্চাৰণসমূহক আৱৰি লোৱা ৭টা প্ৰি-ছেট কৰা শব্দ, আৰু ৩-৫ ছেকেণ্ডৰ পৰা দ্ৰুত শব্দ ক্লোনিং সমৰ্থন কৰে। সম্পূৰ্ণৰূপে CPUত GGUF Q4 inference + ONNX অডিঅ' ডিকোডাৰ দ্বাৰা চলায় - GPUৰ প্ৰয়োজন নাই, প্ৰজন্মসমূহ ~৭ ছেকেণ্ডত সমাপ্ত হয়। Qwen3 বেকবোনত নিৰ্মিত।
Phạm Nguyễn Ngọc Bảo
Apache 2.0
স্থায়ী
vi, en
CPU
হ্যাঁ
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) হৈছে এটা ১ বিলিয়ন প্ৰাচলৰ মডেল যি বিশেষকৈ কথোপকথন সৃষ্টি কৰিবলৈ তৈয়াৰ কৰা হৈছে। ই মানৱ কথোপকথনৰ প্ৰাকৃতিক বিন্যাসসমূহ মডেল কৰে, য'ত turn-taking timing, backchannel responses, emotional reactions, আৰু কথোপকথন প্ৰবাহ অন্তৰ্ভুক্ত আছে। CSM এ সৃজনশীল কথোপকথনৰ পৰিবৰ্তে প্ৰাকৃতিক মানৱ কথোপকথনৰ দৰে শব্দ কৰা অডিঅ' সৃষ্টি কৰে।
Sesame
Apache 2.0
ধীর
en
8GB
নহয়
4x
Chatterbox Turbo
Standard
Resemble AI ৰ Chatterbox Turbo হ'ল Chatterbox ৰ 350M প্ৰাচল উন্নয়ন, যি ৬x ৰিয়েল-টাইম গতি উপ-200ms latency ৰ সৈতে প্ৰদান কৰে। ই [laugh], [cough], আৰু [chuckle] ৰ দৰে paralinguistic টেগসমূহ প্ৰত্যক্ষভাৱে টেক্সটত সমৰ্থন কৰে। provenance tracking ৰ বাবে সকলো উত্পন্ন অডিঅ'ত Perth watermarking অন্তৰ্ভুক্ত কৰে।
Resemble AI
MIT
স্থায়ী
en
2GB
হ্যাঁ
2x
VoxCPM
Standard
OpenBMB ৰ VoxCPM 1.5 এটা নতুন tokenizer-free TTS মডেল যি বিচ্ছিন্ন টোকেনৰ পৰিবৰ্তে অবিচ্ছিন্ন স্থানত কাম কৰে। ই উচ্চ-সত্যতা 44.1kHz অডিঅ' উৎপাদন কৰে, ৩-১০ ছেকেণ্ডৰ পৰা শূণ্য-শট শব্দ ক্লোনিং সমৰ্থন কৰে, আৰু অনুচ্ছেদসমূহত স্থায়িত্ব বজাই ৰাখে। ক্ৰচ-লেংগুৱেজ ক্লোনিংয়ে ইংৰাজী শব্দ চীনা ভাষালৈ প্ৰয়োগ কৰিব পাৰে আৰু বিপৰীত দিশত।
OpenBMB
Apache 2.0
স্থায়ী
en, zh
4GB
হ্যাঁ
2x
Kani TTS 2
Free
Kani-TTS-2 by NineNineSix এটা অত্যাধিক হালধীয়া 400M প্ৰাচল মডেল যি LiquidAI LFM2 বেকবোনত Nvidia NanoCodec ৰ সৈতে নিৰ্মিত হৈছে। ই কেৱল 3GB VRAM ত চলায় আৰু ~2 ছেকেণ্ডত 10 ছেকেণ্ডৰ কথোপকথন প্ৰাপ্ত কৰে (RTF 0.2)। স্পীকাৰ এম্বেডিংৰ জৰিয়তে zero-shot কথোপকথন ক্লোনিং সমৰ্থন কৰে।
NineNineSix
Apache 2.0
স্থায়ী
en
3GB
নহয়
মুক্ত
OuteTTS
Free
OuteTTS-এ মূল আৰ্হি সংৰক্ষণ কৰি টেক্সট-টু-স্পীচ ক্ষমতাৰ সৈতে ডাঙৰ ভাষা মডেলসমূহ বিস্তাৰ কৰে। ই llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, আৰু Transformers.js জৰিয়তে ব্ৰাউছাৰ ইনফৰমেচন সহ একাধিক বেকএন্ড সমৰ্থন কৰে। JSON হিচাপে সংৰক্ষিত স্পীকাৰ প্ৰোফাইলসমূহৰ দ্বাৰা zero-shot voice cloning বৈশিষ্ট্যসমূহ।
OuteAI
Apache 2.0
ধীর
en
2GB
নহয়
মুক্ত
VibeVoice
Standard
Microsoft ৰ VibeVoice দুটা বিন্যাসত পোৱা যায়: এটা 1.5B মডেল দীঘল ধৰণৰ বিষয়বস্তুৰ বাবে (৯০ মিনিটলৈকে, ৪ জন কণ্ঠস্বৰ) আৰু এটা ৰিয়েলটাইম 0.5B মডেল ~২০০ms প্ৰথম অডিঅ' লেটেঞ্চিৰ সৈতে ষ্ট্ৰীমিং কৰাৰ বাবে। 1.5B বিন্যাসটো পোডকাষ্ট আৰু অডিঅ'বুকত লম্বা অংশত কণ্ঠস্বৰ স্থিতিশীলতাৰ সৈতে উত্তম। টোকা: Microsoft এ TTS কোডক সংগ্ৰহস্থল থেকে অপসাৰণ কৰিছে আৰু উৎপাদিত অডিঅ'ত শ্রৱণযোগ্য AI disclaimers অন্তৰ্ভুক্ত আছে।
Microsoft
MIT
স্থায়ী
en, zh
4GB
নহয়
2x
Pocket TTS
Free
Kyutai (Moshi ৰ সৃষ্টিকৰ্তা) ৰ Pocket TTS এটা কমপেক্ট ১০০M প্ৰাচল টেক্সট-টু-স্পীচ মডেল যি ইয়াৰ ওজনৰ ওপৰত ভালদৰে কাম কৰে। ই CPU ত সফলতাৰে চলাব পাৰে, এটা অডিঅ' নমুনা পৰা zero-shot voice cloning সমৰ্থন কৰে, আৰু স্বাভাৱিক-স্বৰযুক্ত কথা প্ৰস্তুত কৰে। সৰু মডেলৰ আকাৰ ই ইয়াক এড্জ ডিবেলপমেন্ট আৰু কম-সম্পদ পৰিৱেশৰ বাবে আদর্শ কৰে।
Kyutai
MIT
স্থায়ী
en, fr
1GB
হ্যাঁ
মুক্ত
Kitten TTS
Free
Kitten TTS by KittenML এটা অত্যাধিক হালধীয়া টেক্সট-টু-স্পীচ মডেল যি ONNX ত নিৰ্মিত। ১৫M ৰ পৰা ৮০M প্ৰাচলৰ (ডিস্কত ২৫-৮০ MB) সৈতে, ই GPU ৰ প্ৰয়োজন নোহোৱাকৈ CPU ত উচ্চ-মানৰ শব্দ সংমিশ্ৰণ প্ৰদান কৰে। ৮ টা অন্তৰ্ভুক্ত কৰা শব্দ, সলনি কৰিব পৰা কথাৰ গতি, আৰু সংখ্যা, মুদ্ৰা আৰু এককসমূহৰ বাবে অন্তৰ্ভুক্ত টেক্সট প্ৰিপ্ৰসেসিংৰ বৈশিষ্ট্য। এডিজ ডিবেলপমেন্ট আৰু কম-লেটেন্সি এপ্লিকেচনৰ বাবে আদর্শ।
KittenML
Apache 2.0
স্থায়ী
en
0GB
নহয়
মুক্ত
CosyVoice3
Standard
CosyVoice3 Alibaba's FunAudioLLM দলৰ সৰ্বশেষ উন্নয়ন। ই ~150ms latency ৰ সৈতে bi-streaming inference ৰ বৈশিষ্ট্য, emotion/speed/volume ৰ বাবে নির্দেশ-ভিত্তিক নিয়ন্ত্ৰণ, আৰু zero-shot cloning ৰ বাবে উন্নত স্পীকাৰ অনুৰূপতা। ৯টা ভাষা আৰু ১৮টা চীনা উপভাষাক সমৰ্থন কৰে। RL-tuned বিকল্পে state-of-the-art prosody প্ৰদান কৰে।
Alibaba (FunAudioLLM)
Apache 2.0
স্থায়ী
en, zh, ja, ko, de, es, fr, it, ru
4GB
হ্যাঁ
2x
NAMAA Saudi TTS
Standard
NAMAA Saudi TTS হৈছে Resemble AI ৰ ChatterboxMultilingual ৰ এটা ছৌদি আৰবী ফাইন-টুন। NAMAA Space দ্বাৰা প্ৰকৃত ছৌদি-ভাষাভাষ্যৰ ওপৰত প্ৰশিক্ষণ প্ৰদান কৰা, ই এটা প্ৰাকৃতিক আধুনিক প্ৰমিত আৰবী আৰু ছৌদি কথোপকথন উচ্চাৰণ প্ৰস্তুত কৰে যি সাধাৰণ বহুভাষিক মডেলসমূহ মিল নাখায়। Chatterbox ৰ zero-shot শব্দ ক্লোনিং আৰু ইমোচন নিয়ন্ত্ৰণ ৰেফাৰেন্স অডিঅ' প্ৰম্পটসমূহৰ দ্বাৰা প্ৰাপ্ত কৰে। প্ৰথম উন্মুক্ত-বৈষম্যৰ ছৌদি TTS TTS.ai ত প্ৰস্তুত কৰা হয়।
NAMAA Space
MIT
মধ্যম
ar
6GB
হ্যাঁ
2x
Darwin TTS
Standard
Darwin-TTS-1.7B-Cross by FINAL-Bench Qwen3-TTS-1.7B ৰ এটা গৱেষণামূলক বৈচিত্র্য য'ত 84 talker-FFN tensors (8.6%) ক Qwen3-1.7B-Base ৰ পৰা মিল থকা tensors ৰ সৈতে α=3% ত মিহলি কৰা হয়। মিশ্ৰণ পুনৰ প্ৰশিক্ষণ নোহোৱাকৈ নিৰ্মিত হয় আৰু কোৰীয়, ইংৰাজী, জাপানি আৰু চীনা ভাষাৰ মাজত স্পষ্টকৈ crisper cross-language voice cloning প্ৰস্তুত কৰে। Zero-shot voice-clone mode ত কাম কৰে (৩ ছেকেণ্ডৰ অনুমান অডিঅ')।
FINAL-Bench
Apache 2.0
মধ্যম
en, ko, ja, zh
7GB
হ্যাঁ
2x
MOSS-TTSD
Standard
MOSS-TTSD v1.0 OpenMOSS ৰ পৰা এটা 7B ডাইলগ টেক্সট-টু-স্পীচ মডেল যি এটা সংক্ষিপ্ত অডিঅ' প্ৰমপ্টৰ পৰা কথোপকথন অব্যাহত ৰাখে। [S1]/[S2] টেগসমূহৰ দ্বাৰা ৫ গৰাকী সমসাময়িক স্পীকাৰক সমৰ্থন কৰে, ৩-১০s ৰ পৰা জিৰো-শ্বট ভয়েস ক্লোনিং, আৰু ২০ টা ভাষাত ৬০ মিনিটৰ সমন্বিত বহু-বাৰ ডাইলগৰ সমৰ্থন কৰে। MOSS-TTS ৰ পৰা পৃথক — TTSD পডকাস্ট/অডিঅ'বই/ডুবিং ৱাৰফ্লোৰ বাবে বিশেষায়িত।
OpenMOSS
Apache 2.0
মধ্যম
en, zh
12GB
হ্যাঁ
2x
Ming-Omni TTS
Free
inclusionAI ৰ Ming-omni-tts-0.5B এটা কমপেক্ট অমিনি-মোডাল কথন মডেল যি BailingMM ঘন বেকবোনত নিৰ্মিত আৰু পেচ-বি-পেচ ফ্লু-মেচিং অডিঅ' ডিকোডাৰ সহায়ত। ৪৪.১kHz আউটপুট প্ৰদান কৰে (CD ৰ গুণমানৰ ওচৰত), ৩+ ছেকেণ্ডৰ পৰা শূণ্য-শট কথন ক্লোনিং সমৰ্থন কৰে, আৰু JSON নির্দেশনাসমূহৰ দ্বাৰা অন্তৰ্ভুক্ত ইমোচন / উপভাষা / BGM নিয়ন্ত্ৰণ অন্তৰ্ভুক্ত কৰে। চীনা বেঞ্চমাৰ্কত অসাধাৰণ স্থিতিশীলতা - ০.৮৩% WER।
inclusionAI
Apache 2.0
মধ্যম
en, zh
3GB
হ্যাঁ
মুক্ত
MOSS-TTS Nano
Free
MOSS-TTS-Nano-100M হল MOSS-TTS পৰিয়ালৰ OpenMOSS ৰ কমপেক্ট ১০০M-পৰিমাত্ৰিক বৈকল্পিক, ডিলাই-ট্ৰান্সফৰ্মাৰ আৰ্কিটেকচাৰ অংশীদাৰ কৰে। 8B মডেলৰ চূড়ান্ত গুণমান ~80x সৰু ওজন আৰু উল্লেখযোগ্যভাৱে কম প্ৰতি-আবেদন VRAM ৰ বাবে বিনিময় কৰে, ইটোক ফ্ৰি-টিয়াৰ আৰু উচ্চ-থ্ৰুপুট বিকাশৰ বাবে উপযুক্ত কৰে। একেই ২০-ভাষাৰ আৱশ্যকতা।
OpenMOSS
Apache 2.0
স্থায়ী
en, zh, de, es, fr, ja, it, ko, ru, ar, pt
2GB
হ্যাঁ
মুক্ত
Kokoro
মুক্ত
Kokoro is an 82 million parameter text-to-speech model that punches well above its weight class. Despite its tiny size, it produces remarkably natural and expressive speech. Kokoro supports multiple languages including English, Japanese, Chinese, and Korean with a variety of expressive voices. It runs incredibly fast — generating audio nearly 100x faster than real-time on a GPU.
Hexgrad
Apache 2.0
স্থায়ী
Piper
মুক্ত
Piper is a lightweight text-to-speech engine developed by Rhasspy that uses VITS and larynx architectures. It runs entirely on CPU, making it ideal for edge devices, home automation, and applications requiring offline TTS. With over 100 voices across 30+ languages, Piper delivers natural-sounding speech at real-time speeds even on a Raspberry Pi 4.
Rhasspy
MIT
স্থায়ী
VITS
মুক্ত
VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) is a parallel end-to-end TTS method that generates more natural sounding audio than current two-stage models. It adopts variational inference augmented with normalizing flows and an adversarial training process, achieving a significant improvement in naturalness.
Jaehyeon Kim et al.
MIT
স্থায়ী
MeloTTS
মুক্ত
MeloTTS by MyShell.ai is a multilingual TTS library supporting English (American, British, Indian, Australian), Spanish, French, Chinese, Japanese, and Korean. It is extremely fast, processing text at near real-time speed on CPU alone. MeloTTS is designed for production use and supports both CPU and GPU inference.
MyShell.ai
MIT
স্থায়ী
Kani TTS 2
মুক্ত
Kani-TTS-2 by NineNineSix is an ultra-lightweight 400M parameter model built on a Liquid AI LFM2 backbone with NVIDIA NanoCodec. It runs in just 3GB VRAM and produces ~10 seconds of speech in ~2 seconds on an A100 (RTF 0.2). The current public release ships an English-only `kani-tts-2-en` checkpoint and does not expose the speaker-embedding hook needed for voice cloning — use Chatterbox / IndexTTS2 / F5-TTS for cloning, or Kokoro / MeloTTS for non-English.
NineNineSix
Apache 2.0
স্থায়ী
OuteTTS
মুক্ত
OuteTTS extends large language models with text-to-speech capabilities while preserving the original architecture. It supports multiple backends including llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, and even browser inference via Transformers.js. Features zero-shot voice cloning through speaker profiles saved as JSON.
OuteAI
Apache 2.0
ধীর
Pocket TTS
মুক্ত
Pocket TTS by Kyutai (creators of Moshi) is a compact 100M parameter text-to-speech model that punches well above its weight. It runs efficiently on CPU, supports zero-shot voice cloning from a single audio sample, and produces natural-sounding speech. The small model size makes it ideal for edge deployment and low-resource environments.
Kyutai
MIT
স্থায়ী
Kitten TTS
মুক্ত
Kitten TTS by KittenML is an ultra-lightweight text-to-speech model built on ONNX. 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.
KittenML
Apache 2.0
স্থায়ী
Ming-Omni TTS
মুক্ত
Ming-omni-tts-0.5B by inclusionAI is a compact omni-modal speech model built on the BailingMM dense backbone with a Patch-by-Patch flow-matching audio decoder. Delivers 44.1kHz output (near CD quality), supports zero-shot voice cloning from a 3+ second reference, and includes built-in emotion / dialect / BGM control via JSON instructions. Excellent stability — 0.83% WER on Chinese benchmarks.
inclusionAI
Apache 2.0
মধ্যম
MOSS-TTS Nano
মুক্ত
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.
OpenMOSS
Apache 2.0
স্থায়ী
Bark
অবিকল্পিত
Bark by Suno is a transformer-based text-to-audio model that can generate highly realistic, multilingual speech as well as other audio like music, background noise, and sound effects. It can produce nonverbal communications like laughing, sighing, and crying. Bark supports over 100 speaker presets and 13+ languages.
Suno
MIT
ধীর
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
নহয়
Bark Small
অবিকল্পিত
Bark Small is a distilled version of the Bark model that trades some audio quality for significantly faster inference speeds and lower memory requirements. It retains Bark's ability to generate speech with emotions, laughter, and multiple languages.
Suno
MIT
মধ্যম
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
নহয়
CosyVoice 2
অবিকল্পিত
CosyVoice 2 by Alibaba's Tongyi Lab achieves human-comparable speech quality with extremely low latency, making it ideal for real-time applications. It uses a finite scalar quantization approach for streaming synthesis and supports zero-shot voice cloning, cross-lingual synthesis, and fine-grained emotion control. It outperforms many commercial TTS systems in subjective evaluations.
Alibaba (Tongyi Lab)
Apache 2.0
মধ্যম
en, zh, ja, ko, fr, de, it, es
হ্যাঁ
Dia TTS
অবিকল্পিত
Dia by Nari Labs is a 1.6B parameter text-to-speech model designed specifically for generating multi-speaker dialogue. It can produce natural-sounding conversations between two speakers with appropriate turn-taking, prosody, and emotional expression. Dia is perfect for creating podcast-style content, audiobook dialogues, and interactive conversational AI.
Nari Labs
Apache 2.0
মধ্যম
en
নহয়
Parler TTS
অবিকল্পিত
Parler TTS is a text-to-speech model that uses natural language voice descriptions to control the generated speech. Instead of selecting from preset voices, you describe the voice you want (e.g., "a warm female voice with a slight British accent, speaking slowly and clearly") and Parler generates speech matching that description. This makes it uniquely flexible for creative applications.
Hugging Face
Apache 2.0
মধ্যম
en
নহয়
Indic Parler TTS
অবিকল্পিত
Indic Parler TTS by AI4Bharat extends the Parler architecture to Indian languages, generating natural speech in Tamil, Bengali, Marathi, Gujarati, Kannada, Punjabi, Odia, Assamese, Hindi, Telugu, Malayalam and English. Like Parler, you describe the voice you want in plain language and the model matches it — no preset voices required. Trained on AI4Bharat speech corpora for authentic pronunciation and prosody across the Indian subcontinent.
AI4Bharat
Apache 2.0
ধীর
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
নহয়
KhanomTan TTS
অবিকল্পিত
KhanomTan TTS is an open Thai text-to-speech model built on the YourTTS multilingual architecture. Trained on CC0 and permissively-licensed Thai corpora (TSync) alongside several other languages, it delivers natural Thai speech with multiple speaker voices. A clean, commercially-usable option for Thai — the language most open TTS models only cover under non-commercial licenses.
Wannaphong Phatthiyaphaibun
Apache 2.0
স্থায়ী
th
নহয়
IndexTTS-2
অবিকল্পিত
IndexTTS-2 is an advanced text-to-speech system that excels at zero-shot voice synthesis with fine-grained emotion control. It can generate speech with specific emotional tones like happy, sad, angry, or fearful without requiring emotion-specific training data. The model uses emotion vectors to precisely control the emotional expression of generated speech.
Index Team
Bilibili Model License
মধ্যম
en, zh
হ্যাঁ
Spark TTS
অবিকল্পিত
Spark TTS by SparkAudio is a text-to-speech model that combines voice cloning with controllable emotion and speaking style. Using just 5 seconds of reference audio, it can clone a voice and then generate speech with different emotions, speeds, and styles while maintaining the cloned voice identity. Spark TTS uses a prompt-based control system.
SparkAudio
CC BY-NC-SA 4.0
মধ্যম
en, zh
হ্যাঁ
GPT-SoVITS
অবিকল্পিত
GPT-SoVITS combines GPT-style language modeling with SoVITS (Singing Voice Inference via Translation and Synthesis) for powerful few-shot voice cloning. With as little as 5 seconds of reference audio, it can accurately clone a voice and generate new speech while preserving the speaker's unique characteristics. It excels at both speaking and singing voice synthesis.
RVC-Boss
MIT
ধীর
en, zh, ja, ko
হ্যাঁ
Orpheus
অবিকল্পিত
Orpheus is a large-scale text-to-speech model that achieves human-level emotional expression. Trained on over 100,000 hours of diverse speech data, it excels at generating speech with natural emotions, emphasis, and speaking styles. Orpheus can produce speech that is virtually indistinguishable from human recordings.
Canopy Labs
Llama 3.2 Community
মধ্যম
en
নহয়
Qwen3 TTS
অবিকল্পিত
Qwen3-TTS is a 1.7 billion parameter text-to-speech model from Alibaba's Qwen team. It supports two modes: preset voices with emotion control (9 speakers), and a unique voice design mode where you describe the voice you want in natural language. It covers 10 languages with high expressiveness and natural prosody.
Alibaba (Qwen)
Apache 2.0
মধ্যম
en, zh, ja, ko, de, fr, ru, pt, es, it
নহয়
VieNeu-TTS-v2
অবিকল্পিত
VieNeu-TTS-v2 is a 300M parameter Vietnamese-first TTS model trained on 10,000+ hours of bilingual data. It supports seamless en-vi code-switching, 7 preset voices spanning Northern and Southern accents, and instant voice cloning from 3-5 seconds of reference audio. Runs entirely on CPU via GGUF Q4 inference + ONNX audio decoder — no GPU needed, generations finish in ~7 seconds. Built on a Qwen3 backbone.
Phạm Nguyễn Ngọc Bảo
Apache 2.0
স্থায়ী
vi, en
হ্যাঁ
Chatterbox Turbo
অবিকল্পিত
Chatterbox Turbo by Resemble AI is a 350M parameter upgrade to Chatterbox, delivering up to 6x real-time speed with sub-200ms latency. It supports paralinguistic tags like [laugh], [cough], and [chuckle] directly in text. Includes Perth watermarking on all generated audio for provenance tracking.
Resemble AI
MIT
স্থায়ী
en
হ্যাঁ
VoxCPM
অবিকল্পিত
VoxCPM 1.5 by OpenBMB is a novel tokenizer-free TTS model that operates in continuous space rather than discrete tokens. It produces high-fidelity 44.1kHz audio, supports zero-shot voice cloning from 3-10 seconds, and maintains consistency across paragraphs. Cross-language cloning lets you apply an English voice to Chinese speech and vice versa.
OpenBMB
Apache 2.0
স্থায়ী
en, zh
হ্যাঁ
VibeVoice
অবিকল্পিত
VibeVoice from Microsoft generates long-form speech up to 90 minutes with support for 4 simultaneous speakers, making it ideal for podcasts and dialogues. The Realtime 0.5B variant achieves ~300ms latency for interactive use. Supports speaker tags for multi-turn dialogue generation.
Microsoft
MIT
স্থায়ী
en, zh
নহয়
CosyVoice3
অবিকল্পিত
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.
Alibaba (FunAudioLLM)
Apache 2.0
স্থায়ী
en, zh, ja, ko, de, es, fr, it, ru
হ্যাঁ
NAMAA Saudi TTS
অবিকল্পিত
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.
NAMAA Space
MIT
মধ্যম
ar
হ্যাঁ
Darwin TTS
অবিকল্পিত
Darwin-TTS-1.7B-Cross by FINAL-Bench is a research variant of Qwen3-TTS-1.7B where 84 talker-FFN tensors (8.6%) are blended at α=3% with the matching tensors from Qwen3-1.7B-Base. The blend is built without retraining and produces noticeably crisper cross-lingual voice cloning across Korean, English, Japanese, and Chinese. Operates in zero-shot voice-clone mode (3 seconds reference audio).
FINAL-Bench
Apache 2.0
মধ্যম
en, ko, ja, zh
হ্যাঁ
MOSS-TTSD
অবিকল্পিত
MOSS-TTSD v1.0 from OpenMOSS is a 7B dialogue text-to-speech model that continues conversations from a short audio prompt. Supports up to 5 simultaneous speakers via [S1]/[S2] tags, zero-shot voice cloning from 3-10s reference audio, and up to 60 minutes of coherent multi-turn dialogue across 20 languages. Distinct from MOSS-TTS — TTSD is specialized for podcast/audiobook/dubbing workflows.
OpenMOSS
Apache 2.0
মধ্যম
en, zh
হ্যাঁ
Chatterbox
প্ৰিমিয়াম
Chatterbox by Resemble AI is a cutting-edge zero-shot voice cloning model. It can replicate any voice from a single audio sample with remarkable accuracy, capturing not just the timbre but also the speaking style and emotional nuances. Chatterbox also features fine-grained emotion control, allowing you to adjust the emotional tone of the generated speech independently from the voice identity.
Resemble AI
MIT
মধ্যম
en
হ্যাঁ
4GB
4x
Tortoise TTS
প্ৰিমিয়াম
Tortoise TTS is an autoregressive multi-voice text-to-speech system that prioritizes audio quality over speed. It uses DALL-E-inspired architecture to generate highly natural speech with excellent prosody and speaker similarity. While slower than many alternatives, Tortoise produces some of the most realistic synthetic speech available in the open-source ecosystem.
James Betker
Apache 2.0
ধীর
en
হ্যাঁ
8GB
4x
OpenVoice
প্ৰিমিয়াম
OpenVoice by MyShell.ai enables instant voice cloning with granular control over voice style, emotion, accent, rhythm, pauses, and intonation. It can clone a voice from a short audio clip and generate speech in multiple languages while maintaining the speaker identity. OpenVoice also functions as a voice converter, allowing real-time voice transformation.
MyShell.ai / MIT
MIT
মধ্যম
en, zh, ja, ko, fr, es
হ্যাঁ
4GB
4x
Sesame CSM
প্ৰিমিয়াম
Sesame CSM (Conversational Speech Model) is a 1 billion parameter model designed specifically for generating conversational speech. It models the natural patterns of human conversation including turn-taking timing, backchannel responses, emotional reactions, and conversational flow. CSM generates audio that sounds like a natural human conversation rather than synthetic speech.
Sesame
Apache 2.0
ধীর
en
নহয়
8GB
4x
আৰ্হি তুলনা টেবুল
| আৰ্হি | বিকাশক: | টাইৰ | গুণ: | গতি | ভাষাসমূহ | ধ্বনি ক্লোনিং | VRAM | অনুমতি: | ক্ৰেডিটসমূহ | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | স্থায়ী | 8 | 1.5GB | Apache 2.0 | মুক্ত | ব্যৱহাৰ কৰক | ||
| Piper | Rhasspy | Free | স্থায়ী | 42 | 0 (CPU only) | MIT | মুক্ত | ব্যৱহাৰ কৰক | ||
| VITS | Jaehyeon Kim et al. | Free | স্থায়ী | 11 | 1GB | MIT | মুক্ত | ব্যৱহাৰ কৰক | ||
| MeloTTS | MyShell.ai | Free | স্থায়ী | 6 | 0.5GB (GPU optional) | MIT | মুক্ত | ব্যৱহাৰ কৰক | ||
| Bark | Suno | Standard | ধীর | 13 | 5GB | MIT | 2 | ব্যৱহাৰ কৰক | ||
| Bark Small | Suno | Standard | মধ্যম | 13 | 2GB | MIT | 2 | ব্যৱহাৰ কৰক | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | মধ্যম | 8 | 4GB | Apache 2.0 | 2 | ব্যৱহাৰ কৰক | ||
| Dia TTS | Nari Labs | Standard | মধ্যম | 1 | 4GB | Apache 2.0 | 2 | ব্যৱহাৰ কৰক | ||
| Parler TTS | Hugging Face | Standard | মধ্যম | 1 | 4GB | Apache 2.0 | 2 | ব্যৱহাৰ কৰক | ||
| Indic Parler TTS | AI4Bharat | Standard | ধীর | 12 | 8GB | Apache 2.0 | 2 | ব্যৱহাৰ কৰক | ||
| KhanomTan TTS | Wannaphong Phatthiyaphaibun | Standard | স্থায়ী | 1 | 2GB | Apache 2.0 | 2 | ব্যৱহাৰ কৰক | ||
| IndexTTS-2 | Index Team | Standard | মধ্যম | 2 | 4GB | Bilibili Model License | 2 | ব্যৱহাৰ কৰক | ||
| Spark TTS | SparkAudio | Standard | মধ্যম | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | ব্যৱহাৰ কৰক | ||
| GPT-SoVITS | RVC-Boss | Standard | ধীর | 4 | 6GB | MIT | 2 | ব্যৱহাৰ কৰক | ||
| Orpheus | Canopy Labs | Standard | মধ্যম | 1 | 4GB | Llama 3.2 Community | 2 | ব্যৱহাৰ কৰক | ||
| Chatterbox | Resemble AI | Premium | মধ্যম | 1 | 4GB | MIT | 4 | ব্যৱহাৰ কৰক | ||
| Tortoise TTS | James Betker | Premium | ধীর | 1 | 8GB | Apache 2.0 | 4 | ব্যৱহাৰ কৰক | ||
| StyleTTS 2 | Columbia University | Premium | মধ্যম | 1 | 4GB | MIT | 4 | ব্যৱহাৰ কৰক | ||
| OpenVoice | MyShell.ai / MIT | Premium | মধ্যম | 6 | 4GB | MIT | 4 | ব্যৱহাৰ কৰক | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | মধ্যম | 10 | 7GB | Apache 2.0 | 2 | ব্যৱহাৰ কৰক | ||
| VieNeu-TTS-v2 | Phạm Nguyễn Ngọc Bảo | Standard | স্থায়ী | 2 | CPU | Apache 2.0 | 2 | ব্যৱহাৰ কৰক | ||
| Sesame CSM | Sesame | Premium | ধীর | 1 | 8GB | Apache 2.0 | 4 | ব্যৱহাৰ কৰক | ||
| Chatterbox Turbo | Resemble AI | Standard | স্থায়ী | 1 | 2GB | MIT | 2 | ব্যৱহাৰ কৰক | ||
| VoxCPM | OpenBMB | Standard | স্থায়ী | 2 | 4GB | Apache 2.0 | 2 | ব্যৱহাৰ কৰক | ||
| Kani TTS 2 | NineNineSix | Free | স্থায়ী | 1 | 3GB | Apache 2.0 | মুক্ত | ব্যৱহাৰ কৰক | ||
| OuteTTS | OuteAI | Free | ধীর | 1 | 2GB | Apache 2.0 | মুক্ত | ব্যৱহাৰ কৰক | ||
| VibeVoice | Microsoft | Standard | স্থায়ী | 2 | 4GB | MIT | 2 | ব্যৱহাৰ কৰক | ||
| Pocket TTS | Kyutai | Free | স্থায়ী | 2 | 1GB | MIT | মুক্ত | ব্যৱহাৰ কৰক | ||
| Kitten TTS | KittenML | Free | স্থায়ী | 1 | 0GB | Apache 2.0 | মুক্ত | ব্যৱহাৰ কৰক | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | স্থায়ী | 9 | 4GB | Apache 2.0 | 2 | ব্যৱহাৰ কৰক | ||
| NAMAA Saudi TTS | NAMAA Space | Standard | মধ্যম | 1 | 6GB | MIT | 2 | ব্যৱহাৰ কৰক | ||
| Darwin TTS | FINAL-Bench | Standard | মধ্যম | 4 | 7GB | Apache 2.0 | 2 | ব্যৱহাৰ কৰক | ||
| MOSS-TTSD | OpenMOSS | Standard | মধ্যম | 2 | 12GB | Apache 2.0 | 2 | ব্যৱহাৰ কৰক | ||
| Ming-Omni TTS | inclusionAI | Free | মধ্যম | 2 | 3GB | Apache 2.0 | মুক্ত | ব্যৱহাৰ কৰক | ||
| MOSS-TTS Nano | OpenMOSS | Free | স্থায়ী | 11 | 2GB | Apache 2.0 | মুক্ত | ব্যৱহাৰ কৰক |
আটাইতকৈ বিস্তৃত AI টেক্সট-টু-স্পীচ প্লেটফৰ্ম
টেক্সট-টু-স্পিকৰ বাবে কিয় TTS.ai নিৰ্বাচন কৰিব?
TTS.ai-এ বিশ্বক একত্ৰিত কৰিছে
প্ৰতিটো মডেল MIT, Apache 2.0, অথবা অনুৰূপ অনুমতিমূলক লাইচেঞ্চৰ অধীনত খোলা উৎস, আপোনাৰ প্ৰকল্পত উত্পন্ন অডিঅ' ব্যৱহাৰ কৰিবলৈ আপোনাৰ সম্পূৰ্ণ বাণিজ্যিক অধিকাৰ নিশ্চিত কৰে। আপুনি দ্ৰুত, হালধীয়া সংশ্লেষণৰ প্ৰয়োজন হওক বা অডিঅ'বুক আৰু পডকাষ্টৰ বাবে প্ৰিমিয়াম স্টুডিঅ'-গুণমানৰ আউটপুট হওক, TTS.ai ৰ প্ৰতিটো ব্যৱহাৰৰ ক্ষেত্ৰত সঠিক মডেল আছে।
বিনামূলীয়া মডেল, কোনো একাওন্টৰ প্ৰয়োজন নাই
তিনিটা বিনামূলীয়া TTS মডেলৰ সৈতে লগে লগে আৰম্ভ কৰক: Piper (অত্যাধিক দ্রুত, হালধীয়া), VITS (উচ্চমানৰ নিউৰাল সংশ্লেষণ), আৰু MeloTTS (বহু-ভাষা সমৰ্থন) । কোনো নিবন্ধন নাই, কোনো ক্ৰেডিট কাৰ্ড নাই, প্ৰজন্মসমূহত কোনো সীমা নাই । বিনামূলীয়া মডেলসমূহ ইংৰাজী আৰু বহুতো আন ভাষা সমৰ্থন কৰে প্ৰায়বোৰ এপ্লিকেচনৰ বাবে উপযুক্ত প্ৰাকৃতিক-স্বৰযুক্ত আউটপুটৰ সৈতে ।
GPU-accelerated প্ৰক্ৰিয়াকৰণ
সকলো TTS মডেল দ্ৰুত, স্থিতিশীল উৎপাদন সময়ৰ বাবে নিবেদিত NVIDIA GPUs ত চলোৱা হয়। বিনামূলীয়া মডেলসমূহ সাধাৰণতে ২ ছেকেণ্ডত অডিঅ' উৎপাদন কৰে। Kokoro, CosyVoice2এবং Bark ৰ দৰে প্ৰমিত মডেলসমূহ গড়ে ৩-৫ ছেকেণ্ডত। উচ্চমানৰ প্ৰিমিয়াম মডেলসমূহ, যেনে Tortoise আৰু Chatterbox, টেক্সটৰ দৈৰ্ঘ্যৰ ওপৰত নিৰ্ভৰ কৰি ৫-১৫ ছেকেণ্ডত প্ৰক্ৰিয়া কৰে।
30+ ভাষা সমৰ্থিত
ইংৰাজী, স্পেনিচ, ফৰাচী, জাৰ্মানী, ইতালিয়ান, পৰ্তুগিজ, চীনা, জাপানি, কোৰীয়, আৰবি, হিন্দী, ৰুচীয়, আৰু বহুতো ভাষাত ৩০ ৰো অধিক ভাষাত কথোপকথন সৃষ্টি কৰক। কেইবাটাও মডেলে ক্ৰচ-লেংগুৱেজ সংশ্লেষণ সমৰ্থন কৰে, অৰ্থাৎ আপুনি এটা ভাষাত কথোপকথন সৃষ্টি কৰিব পাৰে যি ভাষাত মূল কথোপকথন প্ৰশিক্ষণ দিয়া হোৱা নাছিল। CosyVoice2এবং GPT-SoVITS ক্ৰচ-লেংগুৱেজ কথোপকথন ক্লোনিংত শ্ৰেষ্ঠ।
বিকাশক-সজ্জিত API
OpenAI-সমৰ্থিত REST API সহযোগে TTS.ai-ক আপোনাৰ এপ্লিকেচনত অন্তৰ্ভুক্ত কৰক। সমস্ত 20+ মডেলৰ বাবে এটা এণ্ডপয়েন্ট। Python, JavaScript, cURL, আৰু Go SDKs। ৰিয়েল-টাইম এপ্লিকেচনৰ বাবে ষ্ট্ৰীমিং সমৰ্থন। বৃহৎ পৰিমাণৰ সামগ্ৰী নিৰ্মাণৰ বাবে ব্যাচ প্ৰসেসিং। অসংগত সূচনাৰ বাবে Webhooks। API প্ৰৱেশ বিনামূলীয়াসহ প্ৰতিটো প্ল্যানত অন্তৰ্ভুক্ত।
সদায় সোধা প্ৰশ্নসমূহ
আমি কি উন্নত কৰিব পাৰো? আপোনাৰ মতামত আমাক সমস্যা সমাধানত সহায় কৰে।
টেক্সটক কথোপকথনে ৰূপান্তৰ কৰা এতিয়া আৰম্ভ কৰক
TTS.ai ব্যৱহাৰ কৰি হাজাৰ হাজাৰ সৃষ্টিকৰ্তাৰ সৈতে যোগদান কৰক। নতুন একাওন্টৰ সৈতে 15,000 বিনামূলীয়া আখৰ লাভ কৰক। নিবন্ধন অবিহনে বিনামূলীয়া মডেল উপলব্ধ।