AL текст към реч

Кокоро е 82 милиона параметър текст-то-шпик модел, който удари много над теглото си клас. Въпреки малкия си размер, той произвежда забележително естествена и изразителна реч. Кокоро поддържа множество езици, включително английски, японски, китайски и корейски с различни изразителни гласове. Тя работи невероятно бързо — генериране на аудио почти 100x по-бързо от реално време на GPU.

Piper е лесен текст-то-спеех двигател, разработен от Rhaspy, който използва VITS и ларинкс архитектури. Той работи изцяло на CPU, което го прави идеален за ръбови устройства, домашна автоматизация и приложения, изискващи офлайн ТТС. С над 100 гласове през 30+ езици, Piper осигурява естествено-звучна реч при скорости в реално време дори и на Raspberry Pi 4.

VITS (Вariacional Inference with adversarial learning for end-to-end Text-to-Speak) е паралелен край-то-край метод TTS, който генерира по-естествен звук от текущите двуетапни модели. Той приема вариационен извод, увеличен с нормализиращи потоци и процес на свръхречно обучение, достигайки значително подобряване на естествеността.

MeloTTS by MyShell.ai е многоязична TTS библиотека за подкрепа на английски (американски, британски, индийски, австралийски), испански, френски, китайски, японски и корейски. Тя е изключително бързо, обработване на текст с почти реално време само на процесора. MeloTTS е предназначен за използване на производство и поддържа както процесор и GPU инференция.

Bark by Suno е текст-то-аудио модел на основата на трансформатора, който може да генерира високо реалистична, многоезична реч, както и други аудио като музика, фонов шум и звукови ефекти. Тя може да произвежда невербални комуникации като смях, въздишки и плачене. Bark поддържа над 100 спикер настройки и 13+ езици.

Bark Small е дестилирана версия на Bark модела, който търгува някои аудио качество за значително по-бързи преценки и по-ниски изисквания на паметта. Запазва способността на Bark да генерира реч с емоции, смях и множество езици.

CosyVoice 2 от Alibaba Tongyi Lab постига човешко сравнимо качество на речта с изключително ниска латентност, което го прави идеален за реално време приложения. Тя използва крайен скаларен квантизационен подход за струене синтез и поддържа клониране на глас с нулеви изстрели, кръстословен синтез и фино земен контрол на емоциите. Тя надминава много търговски системи TTS в субективни оценки.

Dia by Nari Labs is a 1.6B parameter text-to-speech model designed специално за генериране на мулти-звучен диалог. Тя може да продуцира естествено-звучни разговори между двама говорители с подходящо завъртане, прозоди и емоционално изразяване. Dia is perfect for creating subcast-style content, audiobook dialogs, and interactive conversational AL.

Parler TTS е модел от текст към език, който използва естествени езикови описи за контрол на генерираната реч. Вместо да избирате от предварително настроени гласове, описвате гласът, който искате (напр. "топли женски глас с лек британски акцент, говорейки бавно и ясно") и Parler генерира реч, която съответства на това описание. Това го прави уникално гъвкав за творчески приложения.

GLM-TTS от Zhipu AI е текстова система, построена върху архитектурата на Llama с съвпадение на потока. Тя постига най-ниската честота на грешки при отворени модели TTS, което означава, че произвежда най-точната изговорка. GLM-TTS поддържа английски и китайски с гласово клониране от 3-10 втори аудио проби.

IndexTTS-2 е напреднала текстова система, която превъзхожда при нулево изстрелен гласов синтез с фино-зърнен контрол на емоциите. Тя може да генерира реч с специфични емоционални тонове като щастливи, тъжни, ядосани или страховити, без да изисква емоционално специфични данни за обучение. Моделът използва емоционални вектори, за да контролира точно емоционалния израз на генерираната реч.

Spark TTS by SparkAudio е текстов модел, който съчетава клонирането на гласа с контролируема емоция и стил на говорене. Използвайки само 5 секунди референтен звук, той може да клонира глас и след това генерира говор с различни емоции, скорости и стилове при поддържане на клонираната гласова идентичност. Spark TTS използва бързо базирана система за контрол.

GPT-SoviTS съчетава GPT-style езиков моделиране със SoVITS (пеене на гласовото изследване чрез превод и синтези) за мощно клониране на малко глас. С само 5 секунди от референтен звук, тя може точно да клонира глас и да генерира нова реч при запазване на уникалните характеристики на оратора. Тя е изящна както при говорене, така и при пеене на синтеза на глас.

Орфей е мащабен текстов модел, който постига емоционално изразяване на човешко ниво. Трениран на над 100 000 часа различни данни за говора, той превъзхожда в генерирането на реч с естествени емоции, акцент и говорещи стилове. Орфей може да произведе реч, която е практически неразличима от човешките записи.

Чаттербокс от Resemble AI е най-напреднала клониране на глас. Тя може да репликира всеки глас от една аудио проба с забележителна точност, заснемане не само на тимбрето, но и на езиковия стил и емоционални нюанси. Чаттербокс също така разполага с фино-зърнато емоционално контрол, което ви позволява да регулирате емоционалния тон на генерираната реч независимо от гласовата идентичност.

Tortoise TTS е автоматично регресивна многогласна система, която определя качеството на звука над скоростта. Тя използва DALL-E вдъхновена архитектура, за да генерира високо естествена реч с отлична прозодия и говорител подобност. Макар че по-бавно от много алтернативи, Tortoise произвежда някои от най-реалистичната синтетична реч на разположение в откритата екосистема.

StyleTTS 2 постига синтез на човешкото ниво TTS чрез комбиниране на стил дифузия с склонно обучение с помощта на големи модели на езика на говора. Тя генерира най-естествената говорна реч сред единични модели, съперничество на човешките записи. StyleTTS 2 използва дифузионен стил моделиране за улавяне на пълния диапазон от човешката речна вариация.

Отворен глас от MyShell.ai позволява мигновено клониране на глас с гранулиран контрол върху гласов стил, емоции, акцент, ритъм, паузи и интнация. Тя може да клонира глас от къс аудио клип и генерира реч на няколко езика при поддържане на идентичността на оратора. OpenVoice също работи като преобразовател на гласа, позволявайки преобразуване на гласа в реално време.

Qwen3-TTS е 1,7 милиарда параметър текст-то-спеч модел от екипа на Alibaba на Qwen. Тя поддържа три режима: настройки с емоционален контрол (9 говорители), клониране на глас от само 3 секунди на звук и уникален режим на гласов дизайн, в който описвате гласа, който искате на естествен език. Обхваща 10 езика с висока експресност и естествена прозодия.

Сезам CSM (Conversational Speech Model) е модел от 1 милиард параметър, предназначен специално за генериране на разговорна реч. Тя моделира естествените модели на човешкия разговор, включително завъртане на време, реакции назад, емоционални реакции и разговорен поток. CSM генерира звук, който звучи като естествен човешки разговор, а не синтетична реч.

Chatterbox Turbo by Resemble AI is a 350M parameter upgrade to Chatterbox, доставяйки до 6x скорост в реално време с под-200ms latence. Подкрепя паралингуистичните тагове като [забава], [кашал] и [закачване] директно в текста. Включва перт водна маркировка върху всички генерирани аудио за провокационално проследяване.

Зонос v0.1 от Zyfra е параметър 1.6B модел с фино-зървен контрол на емоциите с плъзгачи за щастие, гняв, тъга, страх и изненада. Тя предлага както трансформатор и нов SSM (държавен-пространствен модел) вариант. Трениран на 200K+ часове многоезично говорене с нулева клониране на гласа от 10-30 секунди референтен звук.

Dia2 by Nari Labs е първо ъпгрейд на Dia, достъпен в 1B и 2B параметърни варианти. Започва синтезиране на аудио от първите няколко жетона, което го прави идеален за гласови агенти в реално време и гастропроводи. Подпомага многоговорителен диалог с [S1]/[S2] тагове и паралингуистични сигнали като (смее се), (кашалци).

VoxCPM 1.5 от OpenBMB е нов модел без жетонизатор TTS, който работи в непрекъснато пространство, а не в дискретни жетони. Тя произвежда високовидност 44.1kHz аудио, поддържа клониране на глас с нулеви точки от 3-10 секунди и поддържа последователност между параграфи. Кръстословното клониране ви позволява да прилагате английски глас към китайската реч и обратно.

OutetTS разширява големи езикови модели с текстови възможности при запазване на оригиналната архитектура. Тя поддържа множество захранвания, включително lama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, и дори браузърски преценка чрез Transformers.js. Features null-shot клониране на глас чрез профили на говорника, запазени като JSON.

TADA (Text-Acoustic двойно изравняване) от Hume AI е основен модел на TTS, който премахва халюцинации чрез нова архитектура на двойно подравняване, изградена на Llama 3.2. На разположение в 1B (Английски) и 3B (многоезични) варианти, TADA постига RTF от 0.09 — 5x по-бързо от сравними модели на TTS на база LLM. Тя поддържа до 700 секунди аудио контекст и произвежда емоционално изразителна реч с нула халюцинации върху стандартни бенчмаркове.

VibeVoice от Microsoft идва в два варианта: модел 1.5B за дългоформно съдържание (до 90 минути, 4 говорители) и модел 0.5B за реално време за стриймиране с ~200ms първо аудио латенция. Вариантът 1.5B превъзхожда в подкаст и аудиокниги със съгласуваност на говорителя над дълги пасажи. Забележка: Microsoft премахна TTS код от репозиторията и генериран аудио включва звукови изключения от AI.

Pocket TTS от Kyutai (креатори на Moshi) е компактен 100M параметър текст-то-спеех модел, който удря много над теглото си. Той работи ефективно на CPU, поддържа клониране на глас с нулеви удари от един аудио образец и произвежда естествено звукоизвестна реч. Малкият размер на модела го прави идеален за разгръщане на ръба и нисък източник на среди.

Kitten TTS от KittenML е ултра лек текст-то-спеех модел, построен на ONNX. С варианти от 15M до 80M параметри (25-80 MB на диск), той предоставя висококачествен синтез на гласа на CPU без да изисква GPU. Характеристики 8 вградени гласове, регулируема скорост на говора, и вграден текст предобработка за числа, валути и единици. Идеален за разгръщане на ръбове и нискозабавни приложения.

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.