AI টেক্সট থেকে কথা
মুক্ত-সোর্স AI মডেল ব্যবহার করে টেক্সটকে প্রাকৃতিক-স্বরযুক্ত কথায় রূপান্তর করুন। ব্যবহারের জন্য বিনামূল্যে, কোন অ্যাকাউন্টের প্রয়োজন নেই।
নির্দিষ্ট নিয়ন্ত্রণের জন্য আপনার লেখাকে এস- এস- এম- এল ট্যাগ- এ ঢোকাও:
<speak><prosody rate="slow">Slow speech</prosody></speak>
নির্বাচিত মডেল যে ট্যাগগুলি বুঝে — আপনার লেখায় যেখানে তা ঘটে সেখানে একটি ট্যাগ স্থাপন করতে ক্লিক করুন:
এই মডেলটি প্লেইন টেক্সট পড়ে, তাই ইনলাইন ট্যাগগুলি উপেক্ষা করা হয়। ট্যাগ-ভিত্তিক আবেগ-প্রবণতার জন্য, Orpheus বা Bark-এর মত একটি প্রকাশক মডেলে পরিবর্তন করুন।
স্বনির্বাচিত উচ্চারণ নির্ধারণ করো (শব্দ = উচ্চারণ):
মডেল বিবরণ
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.
| ডেভেলপার: | AI4Bharat |
| লাইসেন্স: | Apache 2.0 |
| গতি | ধীর |
| গুণমান: | |
| ভাষা | 12 ভাষা |
| ভি- র্যাম | 8GB |
| ভয়েস ক্লোন | সমর্থিত নয় |
ভাল ফলাফল পেতে টিপস
- স্বাভাবিক বিরতি এবং উচ্চারণের জন্য উপযুক্ত বিরামচিহ্ন ব্যবহার করুন
- পরিষ্কার উচ্চারণের জন্য সংখ্যা এবং সংক্ষিপ্তকরণ বানান
- বাক্যাংশের মধ্যে সংক্ষিপ্ত বিরতি তৈরি করতে কমন যোগ করো
- দীর্ঘ নাটকীয় বিরতির জন্য তিন- বিন্দু (...) ব্যবহার করুন
- সবচেয়ে স্বাভাবিক ফলাফল পেতে Kokoro অথবা CosyVoice ২ চেষ্টা করুন
- মাল্টি-স্পিকার ডায়ালগ এবং পডকাস্ট বিষয়বস্তু জন্য Dia ব্যবহার করুন
ঋণ খরচ
| টাইমার | খরচ |
|---|---|
| মুক্ত | 0 ক্রেডিট |
| ডিফল্ট | ২ ক্রেডিট / ১K অক্ষর |
| প্রিমিয়াম | 4 ক্রেডিট / 1K অক্ষর |
AI টেক্সট টু স্পিকার কিভাবে কাজ করে
তিনটি সহজ পদক্ষেপে পেশাদার-গুণমানের ভয়েসওভার তৈরি করুন। কোন প্রযুক্তিগত জ্ঞানের প্রয়োজন নেই।
আপনার লেখা লিখুন
আপনি যে লেখাটিকে কথায় রূপান্তর করতে চান তা টাইপ, সাঁটো অথবা আপলোড করুন । লগ- ইন করা ব্যবহারকারীদের জন্য প্রতি প্রজন্মে ৫, ০০০ অক্ষর পর্যন্ত সমর্থন করে । উচ্চারণ, বিরতি এবং গুরুত্বপূর্ণ অংশের উন্নত নিয়ন্ত্রণের জন্য প্লেইন- টেক্সট ব্যবহার করুন অথবা SSML ট্যাগ যোগ করুন ।
মডেল এবং শব্দ বেছে নিন
তিনটি স্তরের মধ্যে ২০+ AI মডেল থেকে নির্বাচন করুন। আপনার বিষয়বস্তু অনুযায়ী একটি শব্দ বেছে নিন, আপনার লক্ষ্য ভাষা বেছে নিন, প্লেব্যাকের গতি ০.৫x থেকে ২.০x পর্যন্ত পরিবর্তন করুন এবং আপনার পছন্দের আউটপুট ফরম্যাট (MP3, WAV, OGG, অথবা FLAC) নির্বাচন করুন।
ডাউনলোড করো
তৈরি করো ক্লিক করুন এবং আপনার অডিও সেকেন্ডের মধ্যে প্রস্তুত হবে। অভ্যন্তরীণ প্লেয়ারের সাথে প্রাকদর্শন করুন, আপনার পছন্দের ফরম্যাটে ডাউনলোড করুন, অথবা একটি শেয়ারযোগ্য লিঙ্ক অনুলিপি করুন। ব্যাচ প্রসেসিং এবং আপনার ওয়ার্কফ্লোতে একীভূত করার জন্য API ব্যবহার করুন।
টেক্সট- টু- স্পীচ ব্যবহারের ক্ষেত্রেName
কৃত্রিম বুদ্ধিমত্তা দ্বারা চালিত টেক্সট-টু-স্পিচ (টেক্সট থেকে কথায় রূপান্তর) মানুষকে অডিও বিষয়বস্তু তৈরি, ব্যবহার এবং এর সাথে যোগাযোগ করতে সাহায্য করছে।
টেক্সট- থেকে- কথার মডেল
TTS.ai-এ প্রত্যেকটি AI মডেলের বিস্তারিত বৈশিষ্ট্য উপলব্ধ। আপনার প্রকল্পের জন্য উপযুক্ত মডেল খুঁজে পেতে গুণমান, গতি, ভাষা সমর্থন এবং বৈশিষ্ট্য তুলনা করুন।
Kokoro
Free
কোকোরো একটি ৮২ মিলিয়ন প্যারামিটার টেক্সট-টু-স্পীচ মডেল যা তার ওজন শ্রেণীর চেয়ে অনেক বেশি কাজ করে। এর ছোট আকার সত্ত্বেও, এটি অসাধারণভাবে প্রাকৃতিক এবং অভিব্যক্তিমূলক ভাষা তৈরি করে। কোকোরো একাধিক ভাষা সহায়তা করে, যার মধ্যে ইংরেজি, জাপানি, চীনা এবং কোরীয় রয়েছে। এটি অসাধারণভাবে দ্রুত চলতে পারে - একটি জিপিইউতে বাস্তব সময়ের চেয়ে প্রায় ১০০ গুণ দ্রুত অডিও উত্পাদন করে।
Hexgrad
Apache 2.0
স্থায়ী
en, ja, zh, fr, it, pt, es, hi
1.5GB
না
মুক্ত
Piper
Free
পাইপার একটি হালকা টেক্সট-টু-স্পিচ ইঞ্জিন যা Rhasspy দ্বারা উন্নত করা হয়েছে এবং VITS এবং larynx স্থাপত্য ব্যবহার করে। এটি সম্পূর্ণরূপে সিপিইউ-তে চলছে, এটিকে প্রান্ত ডিভাইস, হোম অটোমেশন এবং অফলাইন TTS প্রয়োজনীয় অ্যাপ্লিকেশনের জন্য আদর্শ করে তোলে। ৩০+ ভাষার মধ্যে ১০০ এরও বেশি কন্ঠ সহ, পাইপার একটি রাসবেরি পাই ৪-এও বাস্তব-সময়ের গতিতে প্রাকৃতিক-স্বরযুক্ত কথা প্রদান করে।
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)
না
মুক্ত
VITS
Free
VITS (এন্ড- টু- এন্ড টেক্সট- টু- স্পিকারের জন্য প্রতিদ্বন্দ্বী শিখতে সহযোগিতাকারী বৈচিত্র্যমূলক অনুমান) একটি সমান্তরাল শেষ- থেকে- শেষ TTS পদ্ধতি যা বর্তমান দুই- পর্যায়ের মডেলের চেয়ে আরও প্রাকৃতিক শব্দের অডিও উৎপাদন করে। এটি স্বাভাবিক প্রবাহ এবং প্রতিদ্বন্দ্বী প্রশিক্ষণ প্রক্রিয়ার সাথে উন্নত বৈচিত্র্যমূলক অনুমান গ্রহণ করে, প্রাকৃতিকতার একটি উল্লেখযোগ্য উন্নতি অর্জন করে।
Jaehyeon Kim et al.
MIT
স্থায়ী
en, de, es, fr, pt, nl, fi, hu, bg, ja, pl
1GB
না
মুক্ত
MeloTTS
Free
MyShell.ai দ্বারা MeloTTS একটি বহুভাষিক TTS লাইব্রেরী যা ইংরেজি (আমেরিকান, ব্রিটিশ, ভারতীয়, অস্ট্রেলিয়ান), স্প্যানিশ, ফরাসি, চীনা, জাপানি এবং কোরীয় সমর্থন করে। এটি খুব দ্রুত, শুধুমাত্র সিপিইউ-তে প্রায় বাস্তব-সময়ের গতিতে টেক্সট প্রক্রিয়াকরণ করে। MeloTTS উৎপাদন ব্যবহারের জন্য ডিজাইন করা হয়েছে এবং সিপিইউ এবং জিপিইউ উভয়ই সমর্থন করে।
MyShell.ai
MIT
স্থায়ী
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
না
মুক্ত
Bark
Standard
সুনো দ্বারা বার্ক একটি ট্রান্সফরমার ভিত্তিক টেক্সট-টু-অডিও মডেল যা উচ্চ বাস্তবতা, বহুভাষী বক্তব্য এবং অন্যান্য অডিও যেমন সঙ্গীত, পটভূমির শব্দ এবং শব্দ প্রভাব উত্পাদন করতে পারে। এটি হাসি, চিৎকার এবং কান্না মত অবাক্যগত যোগাযোগ তৈরি করতে পারে। বার্ক ১০০ এরও বেশি স্পিকার প্রাক-সেট এবং ১৩+ ভাষা সমর্থন করে।
Suno
MIT
ধীর
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
না
2x
Bark Small
Standard
বার্ক ছোট বার্ক মডেলের একটি বিশুদ্ধ সংস্করণ যা অডিও গুণমানের জন্য দ্রুততর অনুমানের গতি এবং কম মেমরি প্রয়োজনের জন্য বিনিময় করে। এটি বার্কের আবেগ, হাসি এবং একাধিক ভাষার সাথে কথা বলার ক্ষমতা বজায় রাখে।
Suno
MIT
মধ্যম
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
না
2x
CosyVoice 2
Standard
Alibaba's Tongyi Lab দ্বারা CosyVoice2মানুষের তুলনায় উচ্চমানের কথা বলার গুণমান অর্জন করে, যা এটিকে বাস্তব-সময়ের অ্যাপ্লিকেশনের জন্য আদর্শ করে তোলে। এটি স্ট্রিমিং সংশ্লেষণের জন্য একটি সীমাবদ্ধ স্কেলার কোয়ান্টাইজেশন পদ্ধতি ব্যবহার করে এবং শূন্য-শট ভয়েস ক্লোনিং, ক্রস-লিঙ্গুইয়াল সংশ্লেষণ এবং সুষম অনুভূতি নিয়ন্ত্রণ সমর্থন করে। এটি অনেক বাণিজ্যিক TTS সিস্টেমকে ব্যক্তিগত মূল্যায়নে অতিক্রম করে।
Alibaba (Tongyi Lab)
Apache 2.0
মধ্যম
en, zh, ja, ko, fr, de, it, es
4GB
হ্যাঁ
2x
Dia TTS
Standard
Nari Labs দ্বারা Dia একটি ১.৬ বিট প্যারামিটার টেক্সট-টু-স্পিকার মডেল যা বিশেষভাবে মাল্টি-স্পিকার ডায়ালগ তৈরির জন্য ডিজাইন করা হয়েছে। এটি দুইজন স্পিকারের মধ্যে স্বাভাবিক-স্বরযুক্ত কথোপকথন তৈরি করতে পারে, যথাযথ ধাপে নেওয়া, প্রসোডি এবং আবেগপূর্ণ অভিব্যক্তি। Dia পডকাস্ট-শৈলীর বিষয়বস্তু, অডিওবুক ডায়ালগ এবং মিথস্ক্রিয় কথোপকথন AI তৈরির জন্য অসাধারণ।
Nari Labs
Apache 2.0
মধ্যম
en
4GB
না
2x
Parler TTS
Standard
Parler TTS একটি টেক্সট-টু-স্পিচ মডেল যা প্রাকৃতিক ভাষার শব্দ বর্ণনা ব্যবহার করে তৈরি করা কথা নিয়ন্ত্রণ করে। পূর্বনির্ধারিত শব্দ থেকে নির্বাচন করার পরিবর্তে, আপনি যে শব্দটি চান তা বর্ণনা করতে পারেন (যেমন, "একটি উষ্ণ মহিলার কন্ঠস্বর, সামান্য ব্রিটিশ উচ্চারণ সহ, ধীরগতিতে এবং স্পষ্টভাবে কথা বলছে") এবং Parler সেই বর্ণনা অনুযায়ী শব্দ তৈরি করে। এটি সৃজনশীল অ্যাপ্লিকেশনের জন্য অনন্যভাবে নমনীয় করে তোলে।
Hugging Face
Apache 2.0
মধ্যম
en
4GB
না
2x
Indic Parler TTS
Standard
এআই৪ভারত কর্তৃক ইন্ডিক পার্লার টিটিএস পার্লারের স্থাপত্যকে ভারতীয় ভাষায় সম্প্রসারিত করেছে, তামিল, বাংলা, মারাঠি, গুজরাটি, কন্নড়, পাঞ্জাবি, ওড়িশা, অসমিয়া, হিন্দি, তেলুগু, মালয়ালাম এবং ইংরেজি ভাষায় স্বাভাবিক কথাবার্তা তৈরি করে। পার্লারের মতো আপনি যে শব্দটি চান তা সহজ ভাষায় বর্ণনা করতে পারেন এবং মডেলটি তা অনুসরণ করে - কোন পূর্বনির্ধারিত শব্দের প্রয়োজন নেই। এআই৪ভারত স্পিকার কর্পাস ব্যবহার করে প্রশিক্ষণ নেওয়া হয়েছে ভারতীয় উপমহাদেশ জুড়ে সত্যিকার উচ্চারণ এবং শব্দের গঠনের জন্য।
AI4Bharat
Apache 2.0
ধীর
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
8GB
না
2x
KhanomTan TTS
Standard
খানোমতান টিটিএস একটি উন্মুক্ত থাই টেক্সট-টু-স্পিকার মডেল যা ইউরটিটিএস বহুভাষিক স্থাপত্যের উপর তৈরি করা হয়েছে। সিসি০ এবং অনুমতিমূলক লাইসেন্সযুক্ত থাই কর্পাস (টিএসিনক) এর উপর প্রশিক্ষিত এবং অন্যান্য বেশ কয়েকটি ভাষার সাথে এটি একাধিক স্পিকারের কণ্ঠস্বর সহ স্বাভাবিক থাই ভাষায় কথা বলতে পারে। এটি থাই ভাষার জন্য একটি পরিষ্কার, বাণিজ্যিকভাবে ব্যবহারযোগ্য বিকল্প- যে ভাষাটি সবচেয়ে বেশি উন্মুক্ত টিটিএস মডেল শুধুমাত্র অবাণিজ্যিক লাইসেন্সের অধীনে সমর্থন করে।
Wannaphong Phatthiyaphaibun
Apache 2.0
স্থায়ী
th
2GB
না
2x
IndexTTS-2
Standard
IndexTTS-2 একটি উন্নত টেক্সট-টু-স্পীচ সিস্টেম যা শূন্য-শট ভয়েস সংশ্লেষণে অসাধারণ এবং মসৃণ আবেগ নিয়ন্ত্রণ করে। এটি আবেগ-নির্দিষ্ট প্রশিক্ষণ তথ্যের প্রয়োজন ছাড়াই সুখী, দুঃখী, ক্ষুব্ধ, বা ভয়ঙ্কর মতো নির্দিষ্ট আবেগমূলক টোন সহ কথা বলতে পারে। মডেলটি আবেগ ভেক্টর ব্যবহার করে সঠিকভাবে তৈরি করা কথার আবেগ প্রকাশ নিয়ন্ত্রণ করে।
Index Team
Bilibili Model License
মধ্যম
en, zh
4GB
হ্যাঁ
2x
Spark TTS
Standard
স্পার্ক অডিও দ্বারা স্পার্ক TTS একটি টেক্সট-টু-স্পিচ মডেল যা কন্ঠ ক্লোনিং এবং নিয়ন্ত্রনযোগ্য আবেগ এবং কথা বলার শৈলীকে একত্রিত করে। মাত্র ৫ সেকেন্ডের রেফারেন্স অডিও ব্যবহার করে, এটি একটি কন্ঠ ক্লোন করতে পারে এবং তারপর ক্লোন করা কন্ঠ পরিচয় বজায় রেখে বিভিন্ন আবেগ, গতি এবং শৈলীর সাথে কথা বলতে পারে। স্পার্ক TTS একটি প্রম্পট-ভিত্তিক নিয়ন্ত্রণ ব্যবস্থা ব্যবহার করে।
SparkAudio
CC BY-NC-SA 4.0
মধ্যম
en, zh
4GB
হ্যাঁ
2x
GPT-SoVITS
Standard
GPT-SoVITS GPT-style ভাষা মডেলিং এবং SoVITS (Singing Voice Inference via Translation and Synthesis) এর সাথে শক্তিশালী কয়েকটি শব্দের ক্লোনিং করার জন্য মিলিত করে। ৫ সেকেন্ডের রেফারেন্স অডিও সহ, এটি সঠিকভাবে একটি শব্দ ক্লোন করতে পারে এবং নতুন শব্দ তৈরি করতে পারে, স্পিকারের অনন্য বৈশিষ্ট্য সংরক্ষণ করে। এটি কথা বলা এবং গানের শব্দ সংশ্লেষণে উভয় ক্ষেত্রেই অসাধারণ।
RVC-Boss
MIT
ধীর
en, zh, ja, ko
6GB
হ্যাঁ
2x
Orpheus
Standard
Orpheus একটি বড় আকারের টেক্সট-টু-স্পিচ মডেল যা মানব-স্তরের আবেগগত অভিব্যক্তি অর্জন করে। ১০০,০০০ ঘন্টারও বেশি বিভিন্ন ভাষার তথ্যের উপর প্রশিক্ষিত, এটি প্রাকৃতিক আবেগ, জোর এবং কথা বলার শৈলীর সাথে কথা বলার ক্ষেত্রে অসাধারণ। Orpheus মানুষের রেকর্ড থেকে প্রকৃতপক্ষে অবিচ্ছিন্নভাবে কথা বলতে পারে।
Canopy Labs
Llama 3.2 Community
মধ্যম
en
4GB
না
2x
Chatterbox
Premium
Resemble AI দ্বারা চাটারবক্স একটি cutting-edge শূন্য-শট কন্ঠ ক্লোনিং মডেল। এটি একটি একক অডিও নমুনা থেকে যে কোন কন্ঠের অনুরূপ উল্লেখযোগ্য সঠিকতা সঙ্গে, শুধুমাত্র টিমব্রে কিন্তু কথা বলার শৈলী এবং আবেগগত নরমতা ধারণ করে। চাটারবক্স এছাড়াও fine-grained আবেগ নিয়ন্ত্রণ বৈশিষ্ট্য, আপনাকে স্বতন্ত্রভাবে শব্দ পরিচয় থেকে উত্পন্ন শব্দের আবেগগত টোন সংশোধন করতে অনুমতি দেয়।
Resemble AI
MIT
মধ্যম
en
4GB
হ্যাঁ
4x
Tortoise TTS
Premium
Tortoise TTS একটি স্বয়ংক্রিয় মাল্টি-কণ্ঠ টেক্সট-টু-স্পীচ সিস্টেম যা অডিও গুণমানকে গতি থেকে অগ্রাধিকার দেয়। এটি DALL-E-প্রেরিত স্থাপত্য ব্যবহার করে উচ্চ প্রাকৃতিক কথা এবং স্পিকারের অনুরূপতা সহ উচ্চস্বরে কথা বলার জন্য। যদিও অনেক বিকল্পের চেয়ে ধীর, Tortoise অনলাইনে উপলব্ধ সবচেয়ে বাস্তবসম্মত সিনথেটিক কথার কিছু তৈরি করে।
James Betker
Apache 2.0
ধীর
en
8GB
হ্যাঁ
4x
StyleTTS 2
Premium
স্টাইল টিটিএস ২ মানব- স্তরের টিটিএস সংশ্লেষণ অর্জন করে স্টাইল ডিফ্যুশনের সাথে প্রতিদ্বন্দ্বী প্রশিক্ষণ ব্যবহার করে বড় বক্তৃতা ভাষা মডেল । এটি সবচেয়ে প্রাকৃতিকভাবে শোনা বক্তৃতা তৈরি করে একক- স্পিকার মডেল, মানব রেকর্ডিং প্রতিদ্বন্দ্বিতা করে । স্টাইল টিটিএস ২ মানব বক্তৃতার বৈচিত্র্যের পূর্ণ পরিসর ধারণ করতে ডিফ্যুশন- ভিত্তিক স্টাইল মডেলিং ব্যবহার করে ।
Columbia University
MIT
মধ্যম
en
4GB
না
4x
OpenVoice
Premium
MyShell.ai দ্বারা OpenVoice অবিলম্বে কন্ঠ ক্লোনিং সক্ষম করে, কন্ঠের শৈলী, আবেগ, উচ্চারণ, রীতি, বিরতি এবং উচ্চারণ উপর granular নিয়ন্ত্রণ সঙ্গে। এটি একটি স্বল্প অডিও ক্লিপ থেকে একটি কন্ঠ ক্লোন করতে পারে এবং একাধিক ভাষায় বক্তব্য উত্পাদন করে, স্পিকারের পরিচয় বজায় রেখে। OpenVoice একটি শব্দ পরিবর্তক হিসাবেও কাজ করে, বাস্তব-সময়ে শব্দ রূপান্তর অনুমোদন করে।
MyShell.ai / MIT
MIT
মধ্যম
en, zh, ja, ko, fr, es
4GB
হ্যাঁ
4x
Qwen3 TTS
Standard
Qwen3-TTS হচ্ছে ১.৭ বিলিয়ন প্যারামিটার টেক্সট-টু-স্পিকার মডেল যা আলিবাবার Qwen দল দ্বারা তৈরি করা হয়েছে। এটি দুটি মোড সমর্থন করে: আবেগ নিয়ন্ত্রণের সাথে পূর্বনির্ধারিত কন্ঠ (৯ জন স্পিকার) এবং একটি অনন্য কন্ঠ ডিজাইন মোড যেখানে আপনি প্রাকৃতিক ভাষায় আপনার ইচ্ছাকৃত কন্ঠ বর্ণনা করতে পারেন। এটি উচ্চ অভিব্যক্তি এবং প্রাকৃতিক প্রসোডির সাথে ১০টি ভাষাকে সমর্থন করে।
Alibaba (Qwen)
Apache 2.0
মধ্যম
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
না
2x
VieNeu-TTS-v2
Standard
VieNeu-TTS-v2 একটি ৩০০ এমবি প্যারামিটার ভিয়েতনাম-প্রথম TTS মডেল প্রশিক্ষিত ১০,০০০+ ঘন্টা দ্বিভাষিক তথ্য. এটি সমর্থন করে নিখুঁত en-vi কোড-স্যুইচিং, ৭ প্রাক-নির্ধারিত কন্ঠ উত্তর এবং দক্ষিণ উচ্চারণ, এবং ৩-৫ সেকেন্ড থেকে অবিলম্বে কন্ঠ ক্লোন রেফারেন্স অডিও. সম্পূর্ণরূপে সিপিইউ উপর GGUF Q4 অনুমান + ONNX অডিও ডিকোডার দ্বারা চালিত - কোন GPU প্রয়োজন, প্রজন্ম শেষ ~7 সেকেন্ডে. নির্মিত একটি Qwen3 ব্যাকবোন উপর.
Phạm Nguyễn Ngọc Bảo
Apache 2.0
স্থায়ী
vi, en
CPU
হ্যাঁ
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) একটি ১ বিলিয়ন প্যারামিটার মডেল যা বিশেষভাবে কথোপকথন সৃষ্টির জন্য ডিজাইন করা হয়েছে। এটি মানব কথোপকথনের প্রাকৃতিক নকশার মডেল, যার মধ্যে রয়েছে টুর্নামেন্ট টাইমিং, ব্যাকচ্যানেল সাড়া, আবেগগত প্রতিক্রিয়া, এবং কথোপকথন প্রবাহ। CSM অডিও উৎপাদন করে যা সিনথেটিক কথোপকথনের পরিবর্তে প্রাকৃতিক মানব কথোপকথনের মতো শোনায়।
Sesame
Apache 2.0
ধীর
en
8GB
না
4x
Chatterbox Turbo
Standard
Resemble AI দ্বারা চাটারবক্স টার্বো চাটারবক্সের জন্য ৩৫০ এমপি প্যারামিটার আপগ্রেড, ৬x বাস্তব-সময়ের গতি সহ সাব-২০০ এমএস লেটেন্সির সাথে। এটি [হাসি], [কাশি] এবং [খুশি] এর মতো প্যারালিঙ্গুইস্টিক ট্যাগ সরাসরি টেক্সটে সমর্থন করে। সব উত্পাদিত অডিওতে পের্থ ওয়াটারমার্কিং অন্তর্ভুক্ত করে প্রেরণা অনুসরণের জন্য।
Resemble AI
MIT
স্থায়ী
en
2GB
হ্যাঁ
2x
VoxCPM
Standard
VoxCPM ১.৫ একটি নতুন tokenizer-free TTS মডেল যা অবিচ্ছিন্ন টোকেন বদলে অবিচ্ছিন্ন স্থানে কাজ করে। এটি উচ্চ-সত্যতা ৪৪.১kHz অডিও উৎপাদন করে, ৩-১০ সেকেন্ড থেকে শূন্য-শট ভয়েস ক্লোনিং সমর্থন করে, এবং অনুচ্ছেদগুলির মধ্যে স্থিরতা বজায় রাখে। ক্রস-ভাষা ক্লোনিং আপনাকে চীনা ভাষায় একটি ইংরেজি শব্দ প্রয়োগ করতে এবং বিপরীতভাবে।
OpenBMB
Apache 2.0
স্থায়ী
en, zh
4GB
হ্যাঁ
2x
Kani TTS 2
Free
নব্বই-নব্বই-ষষ্ঠ দ্বারা Kani-TTS-2 একটি অতি-হালকা ৪০০ এমপি প্যারামিটার মডেল এনভিডিএ NanoCodec সঙ্গে একটি তরল AI LFM2 ব্যাকবোন উপর নির্মিত। এটি মাত্র ৩ জিবি VRAM এবং একটি A100 (RTF 0.2) উপর ~২ সেকেন্ডে ~১০ সেকেন্ডের কথা বলার উৎপাদন করে। বর্তমান জনসাধারণের মুক্তি শুধুমাত্র ইংরেজি `kani-tts-2-en` চেকপোস্ট এবং স্পিকার-embedding হুক প্রকাশ করে না যেটি ভয়েস ক্লোনিং এর জন্য প্রয়োজনীয় - ক্লোনিং এর জন্য Chatterbox / IndexTTS2 / F5-TTS ব্যবহার করুন, বা Kokoro / MeloTTS ইংরেজি নয়।
NineNineSix
Apache 2.0
স্থায়ী
en
3GB
না
মুক্ত
OuteTTS
Free
OuteTTS বড় ভাষা মডেলকে টেক্সট-টু-স্পিকার ক্ষমতার সাথে প্রসারিত করে, কিন্তু মূল স্থাপত্য সংরক্ষণ করে। এটি lama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM সহ একাধিক ব্যাকএন্ড সমর্থন করে, এবং Transformers.js এর মাধ্যমে এমনকি ব্রাউজার অনুমানও। JSON হিসাবে সংরক্ষিত স্পিকার প্রোফাইলগুলির মাধ্যমে জিরো-শট ভয়েস ক্লোনিং বৈশিষ্ট্য।
OuteAI
Apache 2.0
ধীর
en
2GB
না
মুক্ত
VibeVoice
Standard
মাইক্রোসফটের ভাইবভয়েস দুটি ধরনের হয়: ১.৫ বি মডেল দীর্ঘ ধরনের বিষয়বস্তু (৯০ মিনিট পর্যন্ত, ৪ জন স্পিকার) এবং রিয়েলটাইম ০.৫ বি মডেল স্ট্রিমিং এর জন্য ~২০০ এমএস প্রথম অডিও লেটেন্সি সহ। ১.৫ বি মডেল পডকাস্ট এবং অডিওবুকের জন্য বিশেষভাবে উপযোগী, যেখানে দীর্ঘ সময়ের মধ্যে স্পিকারের স্থিতিশীলতা বজায় থাকে। নোট: মাইক্রোসফট রিপোজিটরি থেকে টিটিএস কোড সরিয়ে ফেলে এবং তৈরিকৃত অডিওতে শ্রবণযোগ্য AI দায়বদ্ধতা স্বীকার করে নেয়।
Microsoft
MIT
স্থায়ী
en, zh
4GB
না
2x
Pocket TTS
Free
Kyutai (Moshi-এর সৃষ্টিকর্তা) দ্বারা Pocket TTS একটি কমপ্যাক্ট ১০০M প্যারামিটার টেক্সট-টু-স্পিকার মডেল যা তার ওজনের চেয়ে অনেক বেশি। এটি সিপিইউ-তে দক্ষতার সাথে কাজ করে, একটি অডিও নমুনা থেকে শূন্য-শট ভয়েস ক্লোনিং সমর্থন করে, এবং প্রাকৃতিক-স্বরযুক্ত কথাবার্তা তৈরি করে। ছোট মডেলের আকার এটিকে প্রান্তে প্রয়োগ এবং কম-সম্পদ পরিবেশের জন্য আদর্শ করে তোলে।
Kyutai
MIT
স্থায়ী
en, fr
1GB
হ্যাঁ
মুক্ত
Kitten TTS
Free
KittenML দ্বারা Kitten TTS একটি অত্যধিক হালকা টেক্সট-টু-স্পীচ মডেল যা ONNX-এ নির্মিত। ১৫M থেকে ৮০M প্যারামিটার (ডিস্কে ২৫-৮০ মেগাবাইট) এর মধ্যে বিকল্প সহ, এটি একটি GPU-এর প্রয়োজন ছাড়াই সিপিইউ-তে উচ্চমানের শব্দ সংশ্লেষণ প্রদান করে। ৮টি অভ্যন্তরীণ শব্দ, সংশোধনযোগ্য কথা বলার গতি, এবং সংখ্যা, মুদ্রা এবং এককগুলির জন্য অভ্যন্তরীণ টেক্সট পূর্বপ্রক্রিয়াকরণ বৈশিষ্ট্য। প্রান্তের বিকাশ এবং কম-লাটেন্সি অ্যাপ্লিকেশনের জন্য আদর্শ।
KittenML
Apache 2.0
স্থায়ী
en
0GB
না
মুক্ত
CosyVoice3
Standard
CosyVoice3 হল Alibaba's FunAudioLLM দলের সর্বশেষ উন্নয়ন। এটি ~১৫০ms latency এর সাথে bi-streaming inference, নির্দেশনা ভিত্তিক নিয়ন্ত্রণের জন্য আবেগ/গতি/ভলিউম, এবং শূন্য-শট ক্লোনিং এর জন্য উন্নত স্পিকারের অনুরূপতা প্রদান করে। ৯টি ভাষা এবং ১৮টি চীনা উপভাষা সমর্থন করে। RL-টুনেড সংস্করণ state-of-the-art prosody প্রদান করে।
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 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
6GB
হ্যাঁ
2x
Darwin TTS
Standard
ফাইনাল- বেঞ্চ দ্বারা ডারউইন- টিটিএস- ১. ৭বি- ক্রস হচ্ছে কিউয়েন৩- টিটিএস- ১. ৭বি এর একটি গবেষণামূলক রূপান্তর যেখানে ৮৪ টলার- এফএফএন টেনসর (৮. ৬%) কে কিউয়েন৩- ১. ৭বি- বেস থেকে মিলানো টেনসরগুলির সাথে α=৩% এ মিশ্রিত করা হয়। মিশ্রণটি পুনরায় প্রশিক্ষণ ছাড়াই তৈরি করা হয় এবং কোরীয়, ইংরেজি, জাপানি এবং চীনা ভাষার মধ্যে উল্লেখযোগ্যভাবে স্পষ্টতর ক্রস- ভাষার শব্দ ক্লোনিং তৈরি করে। এটি শূন্য- গুলির শব্দ ক্লোন মোডে কাজ করে (৩ সেকেন্ড রেফারেন্স অডিও)।
FINAL-Bench
Apache 2.0
মধ্যম
en, ko, ja, zh
7GB
হ্যাঁ
2x
MOSS-TTSD
Standard
MOSS-TTSD v1.0 একটি 7B ডায়ালগ টেক্সট-টু-স্পীচ মডেল যা একটি সংক্ষিপ্ত অডিও প্রম্পট থেকে কথোপকথন চালিয়ে যায়। [S1]/[S2] ট্যাগের মাধ্যমে একই সময়ে ৫ জন স্পিকারকে সমর্থন করে, ৩-১০ সেকেন্ড রেফারেন্স অডিও থেকে শূন্য-শট ভয়েস ক্লোনিং, এবং ২০টি ভাষার মধ্যে ৬০ মিনিট পর্যন্ত সমন্বিত বহু-বার্তার ডায়ালগ। MOSS-TTS থেকে আলাদা — TTSD পডকাস্ট/অডিওবুক/ডুবিং ওয়ার্কফ্লোর জন্য বিশেষ।
OpenMOSS
Apache 2.0
মধ্যম
en, zh
12GB
হ্যাঁ
2x
Ming-Omni TTS
Free
inclusionAI দ্বারা Ming-omni-tts-0.5B একটি সংকুচিত omni-modal কথা মডেল BailingMM ঘন backbone উপর নির্মিত একটি Patch-by-Patch ফ্লো-মাtching অডিও ডিকোডার সঙ্গে। ৪৪. ১kHz আউটপুট প্রদান করে (CD গুণমানের কাছাকাছি), একটি ৩+ সেকেন্ড রেফারেন্স থেকে শূন্য-শট ভয়েস ক্লোনিং সমর্থন করে, এবং JSON নির্দেশনা দ্বারা অভ্যন্তরীণ আবেগ / উপভাষা / BGM নিয়ন্ত্রণ অন্তর্ভুক্ত করে। চীনা বেঞ্চমার্কে 0.83% WER এর মাধ্যমে অসাধারণ স্থিতিশীলতা।
inclusionAI
Apache 2.0
মধ্যম
en, zh
3GB
হ্যাঁ
মুক্ত
MOSS-TTS Nano
Free
MOSS-TTS-Nano-100M হল MOSS-TTS পরিবারের OpenMOSS এর কমপ্যাক্ট ১০০এম-প্যারামিটার বৈচিত্র্য, যা দেরি-ট্রান্সফরমার স্থাপত্যের অংশ। 8B মডেলের চূড়ান্ত গুণমানের জন্য ~৮০x ছোট ওজন এবং প্রতি-আবেদনে ভেরামের উল্লেখযোগ্যভাবে কম বিনিময় করে, এটিকে ফ্রি-টিয়ার এবং উচ্চ-থ্রুপুট ডিপ্লোমেশনের জন্য উপযুক্ত করে তোলে। একই ২০-ভাষা সীমিত।
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
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
ডিফল্ট
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
না
Bark Small
ডিফল্ট
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
না
CosyVoice 2
ডিফল্ট
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
ডিফল্ট
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
না
Parler TTS
ডিফল্ট
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
না
Indic Parler TTS
ডিফল্ট
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
না
KhanomTan TTS
ডিফল্ট
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
না
IndexTTS-2
ডিফল্ট
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
ডিফল্ট
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
ডিফল্ট
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
ডিফল্ট
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
না
Qwen3 TTS
ডিফল্ট
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
না
VieNeu-TTS-v2
ডিফল্ট
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
ডিফল্ট
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
ডিফল্ট
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
ডিফল্ট
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
না
CosyVoice3
ডিফল্ট
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
ডিফল্ট
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
ডিফল্ট
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
ডিফল্ট
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
প্রিমিয়াম
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
প্রিমিয়াম
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
StyleTTS 2
প্রিমিয়াম
StyleTTS 2 achieves human-level TTS synthesis by combining style diffusion with adversarial training using large speech language models. It generates the most natural sounding speech among single-speaker models, rivaling human recordings. StyleTTS 2 uses diffusion-based style modeling to capture the full range of human speech variation.
Columbia University
MIT
মধ্যম
en
না
4GB
4x
OpenVoice
প্রিমিয়াম
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
প্রিমিয়াম
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
না
8GB
4x
মডেল তুলনা টেবিল
| মডেল | ডেভেলপার: | টাইমার | গুণমান: | গতি | ভাষা | ভয়েস ক্লোন | ভি- র্যাম | লাইসেন্স: | ক্রেডিট | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | স্থায়ী | 8 | 1.5GB | Apache 2.0 | মুক্ত | ব্যবহার | ||
| Piper | Rhasspy | Free | স্থায়ী | 42 | 0 (CPU only) | MIT | মুক্ত | ব্যবহার | ||
| VITS | Jaehyeon Kim et al. | Free | স্থায়ী | 11 | 1GB | MIT | মুক্ত | ব্যবহার | ||
| MeloTTS | MyShell.ai | Free | স্থায়ী | 6 | 0.5GB (GPU optional) | MIT | মুক্ত | ব্যবহার | ||
| Bark | Suno | Standard | ধীর | 13 | 5GB | MIT | 2 | ব্যবহার | ||
| Bark Small | Suno | Standard | মধ্যম | 13 | 2GB | MIT | 2 | ব্যবহার | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | মধ্যম | 8 | 4GB | Apache 2.0 | 2 | ব্যবহার | ||
| Dia TTS | Nari Labs | Standard | মধ্যম | 1 | 4GB | Apache 2.0 | 2 | ব্যবহার | ||
| Parler TTS | Hugging Face | Standard | মধ্যম | 1 | 4GB | Apache 2.0 | 2 | ব্যবহার | ||
| Indic Parler TTS | AI4Bharat | Standard | ধীর | 12 | 8GB | Apache 2.0 | 2 | ব্যবহার | ||
| KhanomTan TTS | Wannaphong Phatthiyaphaibun | Standard | স্থায়ী | 1 | 2GB | Apache 2.0 | 2 | ব্যবহার | ||
| IndexTTS-2 | Index Team | Standard | মধ্যম | 2 | 4GB | Bilibili Model License | 2 | ব্যবহার | ||
| Spark TTS | SparkAudio | Standard | মধ্যম | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | ব্যবহার | ||
| GPT-SoVITS | RVC-Boss | Standard | ধীর | 4 | 6GB | MIT | 2 | ব্যবহার | ||
| Orpheus | Canopy Labs | Standard | মধ্যম | 1 | 4GB | Llama 3.2 Community | 2 | ব্যবহার | ||
| Chatterbox | Resemble AI | Premium | মধ্যম | 1 | 4GB | MIT | 4 | ব্যবহার | ||
| Tortoise TTS | James Betker | Premium | ধীর | 1 | 8GB | Apache 2.0 | 4 | ব্যবহার | ||
| StyleTTS 2 | Columbia University | Premium | মধ্যম | 1 | 4GB | MIT | 4 | ব্যবহার | ||
| OpenVoice | MyShell.ai / MIT | Premium | মধ্যম | 6 | 4GB | MIT | 4 | ব্যবহার | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | মধ্যম | 10 | 7GB | Apache 2.0 | 2 | ব্যবহার | ||
| VieNeu-TTS-v2 | Phạm Nguyễn Ngọc Bảo | Standard | স্থায়ী | 2 | CPU | Apache 2.0 | 2 | ব্যবহার | ||
| Sesame CSM | Sesame | Premium | ধীর | 1 | 8GB | Apache 2.0 | 4 | ব্যবহার | ||
| Chatterbox Turbo | Resemble AI | Standard | স্থায়ী | 1 | 2GB | MIT | 2 | ব্যবহার | ||
| VoxCPM | OpenBMB | Standard | স্থায়ী | 2 | 4GB | Apache 2.0 | 2 | ব্যবহার | ||
| Kani TTS 2 | NineNineSix | Free | স্থায়ী | 1 | 3GB | Apache 2.0 | মুক্ত | ব্যবহার | ||
| OuteTTS | OuteAI | Free | ধীর | 1 | 2GB | Apache 2.0 | মুক্ত | ব্যবহার | ||
| VibeVoice | Microsoft | Standard | স্থায়ী | 2 | 4GB | MIT | 2 | ব্যবহার | ||
| Pocket TTS | Kyutai | Free | স্থায়ী | 2 | 1GB | MIT | মুক্ত | ব্যবহার | ||
| Kitten TTS | KittenML | Free | স্থায়ী | 1 | 0GB | Apache 2.0 | মুক্ত | ব্যবহার | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | স্থায়ী | 9 | 4GB | Apache 2.0 | 2 | ব্যবহার | ||
| NAMAA Saudi TTS | NAMAA Space | Standard | মধ্যম | 1 | 6GB | MIT | 2 | ব্যবহার | ||
| Darwin TTS | FINAL-Bench | Standard | মধ্যম | 4 | 7GB | Apache 2.0 | 2 | ব্যবহার | ||
| MOSS-TTSD | OpenMOSS | Standard | মধ্যম | 2 | 12GB | Apache 2.0 | 2 | ব্যবহার | ||
| Ming-Omni TTS | inclusionAI | Free | মধ্যম | 2 | 3GB | Apache 2.0 | মুক্ত | ব্যবহার | ||
| MOSS-TTS Nano | OpenMOSS | Free | স্থায়ী | 11 | 2GB | Apache 2.0 | মুক্ত | ব্যবহার |
সবচেয়ে বিস্তৃত AI টেক্সট থেকে কথা প্ল্যাটফর্ম
টেক্সট-টু-স্পিকারের জন্য কেন TTS.ai বেছে নিন?
TTS.ai বিশ্বকে একত্রিত করে
প্রতিটি মডেল MIT, Apache 2.0, অথবা অনুরূপ অনুমতিমূলক লাইসেন্সের অধীনে উন্মুক্ত উৎস, যা নিশ্চিত করে যে আপনার প্রকল্পে উত্পাদিত অডিও ব্যবহার করার জন্য আপনার পূর্ণ বাণিজ্যিক অধিকার রয়েছে। আপনি দ্রুত, হালকা সংশ্লেষণের জন্য বাস্তব-সময়ের অ্যাপ্লিকেশন বা অডিওবুক এবং পডকাস্টের জন্য প্রিমিয়াম স্টুডিও-গুণমানের আউটপুট চান, TTS.ai-এ প্রত্যেক ব্যবহারের ক্ষেত্রে সঠিক মডেল রয়েছে।
বিনামূল্যে মডেল, কোন অ্যাকাউন্ট প্রয়োজন নেই
তিনটি বিনামূল্যে TTS মডেলের সাথে অবিলম্বে শুরু করুন: পাইপার (অত্যাধিক দ্রুত, হালকা), VITS (উচ্চমানের নিউরাল সংশ্লেষণ), এবং MeloTTS (মাল্টি-ভাষা সমর্থন)। কোন নিবন্ধন নেই, কোন ক্রেডিট কার্ড নেই, প্রজন্মের কোন সীমা নেই। বিনামূল্যে মডেল ইংরেজি এবং অনেকগুলি অন্যান্য ভাষা সমর্থন করে যা বেশিরভাগ অ্যাপ্লিকেশনের জন্য উপযুক্ত প্রাকৃতিক-স্বরযুক্ত আউটপুট।
GPU- ত্বরান্বিত প্রসেসিং
সব TTS মডেল দ্রুত, স্থায়ী উৎপাদন সময়ের জন্য নিবেদিত NVIDIA GPUs চালিত। বিনামূল্যে মডেল সাধারণত ২ সেকেন্ডের মধ্যে অডিও উত্পাদন করে। Kokoro, CosyVoice2এবং Bark এর মতো স্ট্যান্ডার্ড মডেল গড়ে ৩-৫ সেকেন্ড। সর্বোচ্চ গুণমানের সঙ্গে প্রিমিয়াম মডেল, যেমন Tortoise এবং Chatterbox, টেক্সটের দৈর্ঘ্যের উপর নির্ভর করে ৫-১৫ সেকেন্ডে প্রসেস করে।
৩০+ ভাষা সমর্থিত
ইংরেজি, স্প্যানিশ, ফরাসি, জার্মান, ইতালিয়ান, পর্তুগিজ, চীনা, জাপানি, কোরীয়, আরবি, হিন্দি, রুশ, এবং আরও অনেক ভাষায় ৩০টিরও বেশি ভাষায় কথা তৈরি করুন। বেশ কয়েকটি মডেল ক্রস-লিঙ্গুইজম সমর্থন করে, যার অর্থ আপনি এমন ভাষায় কথা তৈরি করতে পারেন যে ভাষায় মূল কণ্ঠ কখনোই প্রশিক্ষিত হয়নি। কোসিভয়েস ২ এবং জিপিটি-সোভিটস ক্রস-লিঙ্গুইজম কণ্ঠ ক্লোনিংয়ে অসাধারণ।
ডেভেলপার-সজ্জিত API
আমাদের OpenAI-সমর্থিত REST API এর সাথে আপনার অ্যাপ্লিকেশনে TTS.ai একীভূত করুন। সব ২০+ মডেলের জন্য একটি শেষ বিন্দু। পাইথন, জাভাস্ক্রিপ্ট, cURL এবং Go SDKs। বাস্তব-সময়ের অ্যাপ্লিকেশনের জন্য স্ট্রিমিং সমর্থন। ব্যাচ প্রসেসিং বড় আকারের বিষয়বস্তু উৎপাদনের জন্য। অসঙ্গত বিজ্ঞপ্তির জন্য ওয়েবহুক। API অ্যাক্সেস বিনামূল্যে সহ প্রতিটি প্ল্যানে অন্তর্ভুক্ত।
প্রায়শ জিজ্ঞাসিত প্রশ্ন
আমরা কি উন্নতি করতে পারি? আপনার ফিডব্যাক আমাদের সমস্যা সমাধানে সাহায্য করে।
টেক্সট- থেকে- বক্তৃতা রূপান্তর শুরু করুন
হাজার হাজার তৈরীকারীর সাথে যোগ দিন যারা TTS.ai ব্যবহার করে। নতুন অ্যাকাউন্টের সাথে ১৫,০০০ বিনামূল্যে চরিত্র পাবেন। নিবন্ধন ছাড়াই বিনামূল্যে মডেল পাওয়া যাবে।