AI টেক্সট-টু-স্পীচName

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।

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।

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।

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।

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।

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।

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।

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।

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।

Zhipu AI ৰ GLM-TTS এটা টেক্সট-টু-স্পীচ ব্যৱস্থা যাক flow matching ৰ সহায়ত Llama স্থাপত্যত নিৰ্মাণ কৰা হৈছে। ই মুক্ত উৎসৰ TTS মডেলসমূহৰ ভিতৰত সৰ্বনিম্ন অক্ষৰ ত্ৰুটিৰ হাৰ প্ৰাপ্ত কৰে, অৰ্থাৎ ই সৰ্বাধিক সঠিক উচ্চাৰণ প্ৰদান কৰে। GLM-TTS ইংৰাজী আৰু চীনাক ৩-১০ ছেকেণ্ডৰ অডিঅ' নমুনাসমূহৰ পৰা শব্দ ক্লোনিংৰ সৈতে সমৰ্থন কৰে।

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।

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।

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।

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।

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।

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।

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

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।

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।

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।

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।

Zyphra ৰ Zonos v0.1 এটা ১.৬ বিট প্ৰাচল মডেল যি সুখ, ক্ষোভ, দুঃখ, ভয় আৰু বিস্ময়ৰ বাবে স্লাইডাৰসমূহৰ সৈতে fine-grained অনুভূতি নিয়ন্ত্ৰণ প্ৰদৰ্শন কৰে। ই এটা Transformer আৰু এটা নতুন SSM (state-space model) বিন্যাস উভয়কে প্ৰদান কৰে। ১০-৩০ ছেকেণ্ডৰ রেফাৰেন্স অডিঅ'ৰ পৰা zero-shot voice cloning ৰ সৈতে ২০০K+ ঘণ্টাৰ বহুভাষী কথোপকথনৰ ওপৰত প্ৰশিক্ষিত।

Nari Labs ৰ Dia2 হ'ল Dia ৰ ষ্ট্ৰিমিং-প্ৰথম উন্নয়ন, 1B আৰু 2B প্ৰাচল বৈচিত্রসমূহত উপলব্ধ। ই প্ৰথম কেইবাটাও টোকেনসমূহৰ পৰা অডিঅ' সংশ্লেষণ আৰম্ভ কৰে, ইয়াক ৰিয়েল-টাইম কন্ঠ এজেন্ট আৰু কথোপকথন-থেকে-কথোপকথন পাইপলাইনসমূহৰ বাবে আদর্শ কৰি তোলে। [S1]/[S2] টেগসমূহ আৰু (হাঁহি), (কাহ) ৰ দৰে পৰাভাষিক চিহ্নসমূহৰ সৈতে মাল্টি-স্পীকাৰ কথোপকথন সমৰ্থন কৰে।

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।

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।

Hume AI ৰ TADA (Text-Acoustic Dual Alignment) এটা অগ্ৰণী TTS মডেল যি Llama 3.2 ত নিৰ্মিত এক নতুন দ্বৈত alignment architectural ৰে হুলসিনাসমূহ আঁতৰাই দিয়ে। 1B (ইংৰাজী) আৰু 3B (বহুভাষী) বৈচিত্র্যত উপলব্ধ, TADA এ 0.09 ৰ RTF -5x ত তুলনামূলক LLM-ভিত্তিক TTS মডেলৰ তুলনাত দ্ৰুতভাৱে উপলব্ধ কৰে। ই ৭০০ ছেকেণ্ডৰ অডিঅ' পৰিপ্ৰেক্ষতিত সমৰ্থন কৰে আৰু প্ৰমিত বেঞ্চমাৰ্কত শূণ্য হুলসিনাসমূহৰ সৈতে আবেগিকভাৱে অভিব্যক্তিমূলক কথন প্ৰস্তুত কৰে।

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।

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।

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।

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.