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>
প্রেরণ প্রভাবিত করতে আবেগ চিহ্ন যোগ করুন (মডেল সমর্থন ভিন্ন):
স্বনির্বাচিত উচ্চারণ নির্ধারণ করো (শব্দ = উচ্চারণ):
মডেল বিবরণ
Kitten TTS
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.
| ডেভেলপার: | KittenML |
| লাইসেন্স: | Apache 2.0 |
| গতি | Fast |
| গুণমান: | |
| ভাষা | 1 ভাষা |
| ভি- র্যাম | 0GB |
| 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 | প্রতি ১K অক্ষরের জন্য 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
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
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
Fast
en, de, fr, es, it, pt, nl, pl, ru, zh, ja, ko, ar, cs, da, fi, el, hu, is, ka, kk, ne, no, ro, sk, sr, sv, sw, tr, uk, vi
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
Fast
en, zh, ja, ko
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
Fast
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
Slow
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
Medium
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
Medium
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
Medium
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
Medium
en
4GB
না
2x
GLM-TTS
Standard
Zhipu AI দ্বারা GLM-TTS একটি টেক্সট-টু-স্পিকার সিস্টেম যা ফ্লো ম্যাচিং সহ Llama স্থাপত্যের উপর নির্মিত। এটি মুক্ত উৎস TTS মডেলের মধ্যে সর্বনিম্ন অক্ষর ভুল হার অর্জন করে, যার অর্থ এটি সবচেয়ে সঠিক উচ্চারণ তৈরি করে। GLM-TTS ইংরেজি এবং চীনা সমর্থন করে ৩-১০ সেকেন্ডের অডিও নমুনা থেকে শব্দ ক্লোনিং।
Zhipu AI
GLM-4 License
Medium
en, zh
4GB
হ্যাঁ
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
Medium
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
Medium
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
Slow
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
Medium
en
4GB
না
2x
Chatterbox
Premium
Resemble AI দ্বারা চাটারবক্স একটি cutting-edge শূন্য-শট কন্ঠ ক্লোনিং মডেল। এটি একটি একক অডিও নমুনা থেকে যেকোন কন্ঠ উল্লেখযোগ্য সঠিকতার সাথে অনুকরণ করতে পারে, শুধুমাত্র টাইমব্রে নয়, কিন্তু কথা বলার শৈলী এবং আবেগগত নরমতাও ধারণ করে। চাটারবক্স এছাড়াও fine-grained আবেগ নিয়ন্ত্রণ বৈশিষ্ট্য, আপনাকে শব্দ পরিচয় থেকে স্বাধীনভাবে উত্পাদিত বক্তব্যের আবেগগত টোন সংশোধন করতে দেয়।
Resemble AI
MIT
Medium
en
4GB
হ্যাঁ
4x
Tortoise TTS
Premium
Tortoise TTS একটি স্বয়ংক্রিয় মাল্টি-ভয়েস টেক্সট-টু-স্পিচ সিস্টেম যা গতি অপেক্ষা অডিও গুণমানকে অগ্রাধিকার দেয়। এটি DALL-E অনুপ্রাণিত স্থাপত্য ব্যবহার করে অত্যন্ত প্রাকৃতিক উচ্চারণ তৈরি করে যা চমৎকার প্রসোডি এবং স্পিকারের অনুরূপতার সাথে থাকে। অনেক বিকল্পের চেয়ে ধীর হলেও, Tortoise উন্মুক্ত উৎস ইকোসিস্টেমে উপলব্ধ সবচেয়ে বাস্তবসম্মত সিনথেটিক উচ্চারণ তৈরি করে।
James Betker
Apache 2.0
Slow
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
Medium
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
Medium
en, zh, ja, ko, fr, de, es, it
4GB
হ্যাঁ
4x
Qwen3 TTS
Standard
Qwen3-TTS হচ্ছে আলিবাবার Qwen দলের ১.৭ বিলিয়ন প্যারামিটার টেক্সট-টু-স্পিকার মডেল। এটি তিনটি মোড সমর্থন করে: আবেগ নিয়ন্ত্রণের সাথে প্রাক-নির্ধারিত কন্ঠ (৯ জন স্পিকার), মাত্র ৩ সেকেন্ডের অডিও থেকে কন্ঠ ক্লোনিং, এবং একটি অনন্য কন্ঠ ডিজাইন মোড যেখানে আপনি প্রাকৃতিক ভাষায় আপনি যে কন্ঠটি চান তা বর্ণনা করতে পারেন। এটি উচ্চ অভিব্যক্তি এবং প্রাকৃতিক প্রসোডির সাথে ১০টি ভাষাকে আবৃত করে।
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
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
Slow
en
8GB
না
4x
Kitten TTS
Free
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
Fast
en
0GB
না
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
Fast
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
Fast
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
Fast
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
Fast
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
Fast
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
Slow
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
Medium
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
Medium
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
Medium
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
Medium
en
না
GLM-TTS
ডিফল্ট
GLM-TTS by Zhipu AI is a text-to-speech system built on the Llama architecture with flow matching. It achieves the lowest character error rate among open-source TTS models, meaning it produces the most accurate pronunciation. GLM-TTS supports English and Chinese with voice cloning from 3-10 second audio samples.
Zhipu AI
GLM-4 License
Medium
en, zh
হ্যাঁ
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
Medium
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
Medium
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
Slow
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
Medium
en
না
Qwen3 TTS
ডিফল্ট
Qwen3-TTS is a 1.7 billion parameter text-to-speech model from Alibaba's Qwen team. It supports three modes: preset voices with emotion control (9 speakers), voice cloning from just 3 seconds of audio, 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
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
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
Medium
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
Slow
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
Medium
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
Medium
en, zh, ja, ko, fr, de, es, it
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
Slow
en
না
8GB
4x
মডেল তুলনা টেবিল
| মডেল | ডেভেলপার: | টাইমার | গুণমান: | গতি | ভাষা | ভয়েস ক্লোন | ভি- র্যাম | লাইসেন্স: | ক্রেডিট | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | মুক্ত | ব্যবহার | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | মুক্ত | ব্যবহার | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | মুক্ত | ব্যবহার | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | মুক্ত | ব্যবহার | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | ব্যবহার | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | ব্যবহার | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | ব্যবহার | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | ব্যবহার | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | ব্যবহার | ||
| GLM-TTS | Zhipu AI | Standard | Medium | 2 | 4GB | GLM-4 License | 2 | ব্যবহার | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Bilibili Model License | 2 | ব্যবহার | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | ব্যবহার | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | ব্যবহার | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | ব্যবহার | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | ব্যবহার | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | ব্যবহার | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | ব্যবহার | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | ব্যবহার | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | ব্যবহার | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | ব্যবহার | ||
| Kitten TTS | KittenML | Free | Fast | 1 | 0GB | 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 সহযোগে আপনার অ্যাপ্লিকেশনে TTS.ai একীভূত করুন। সব ২০+ মডেলের জন্য একই 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। প্রফেশনাল এবং এন্টারপ্রাইজ প্ল্যানে উপলব্ধ।
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।