Text de la IA a veu

Kokoro és un model de text de 82 milions de text a veu que passa bé per sobre de la seva classe de pes. Malgrat la seva petita mida, produeix un discurs natural i expressiva. Kokoro suporta múltiples llengües, com ara anglès, japonès, xinès i coreà amb una varietat de veus expressives. S' executa increïblement ràpid per generar àudio gairebé 100x més ràpid que el temps real en una GPU.

Pipher és un lleuger motor de text a veu desenvolupat per Rhaspy que utilitza arquitectura VITS i larynx. Funciona totalment a la CPU, fent que ideal per a dispositius de vora, automulació i aplicacions de connexió fora de línia. Amb més de 100 veus a través de 30 idiomes, el conducte proporciona un discurs natural a velocitats reals, fins i tot en un Raspberry 4.

VITS (Inferència normal amb l' aprenentatge de adversaris per al final de text a veu) és un mètode paral· lela a final de TTS que genera més d' àudio natural que dos models d' avui en dia. Això adopta una variació augmentada amb fluxos de flux normalització i un procés d' entrenament adversari, aconseguint una millora significativa en la naturalització.

MeloTTS per la meva Shell.ai és una biblioteca multilingüe que permet l' anglès (americà, britànic, australià), espanyol, francès, xinès, japonès i coreana. És extremadament ràpid, processar text en una velocitat a prop de l' hora real tot sol a la CPU. MeloTTS està dissenyat per a la producció i implementa la CPU i la GPU.

Bark per Suno és un model de text- auio basat en transformador que pot generar un discurs molt realista i multilingüe, així com d' altres àudio com música, soroll de fons i efectes de so. Pot produir comunicacions no verbals com riure, sospirant i plorant. Bartk suporta més de 100 oradors preestablerts i 13+ llengües.

Les barres petites són una versió destil· lada del model Bark que canvia d' una qualitat d'àudio per a velocitats de velocitat i de memòria inferior. Manté la capacitat de Bartk per generar discurs amb emocions, rialles i múltiples llengües.

CosyVoice 2 per Alibaba Els laboratoris Tongyeni get la qualitat de la parla intel·lectual humà-cla amb una molt baixa retardada, fent que ideal per a aplicacions en temps real. Usa un enfocament d' afiniment finit per a la reducció de la veu i permet la clonació zeroi- fons, la síntesi de veu creuat, i el control d' emocions molt bé de l' infralingüe. Funciona amb molts sistemes de TTS comercials en les avaluacions subjectives.

Dia per Nari Labs és un model de text de 1.6B a veu dissenyat específicament per a generar diàlegs multiparladors. Pot produir converses naturals entre dos parlants amb una alternativa adequada, prosodi i expressió emocional. El Dia és perfecte per a crear continguts d' estil de podcast, diàlegs d' àudio i aplicacions interactius de conversa AA.

Parler TTS és un model de text a veu que utilitza descripcions de veu natural per a controlar el discurs generat. En comptes de seleccionar veus preestablertes, descriure la veu que voleu (p. ex., "una veu de dona calenta amb un lleuger accent britànic, parlant lentament i clar") i el Parler genera coincidències amb aquesta descripció. Això fa que sigui únicament flexible per a les aplicacions creatives.

GLM- TTS per ZhipA és un sistema de text a veu construït a l' arquitectura Llama amb coincidència de flux. S' aconsegueix la taxa d' error més baixa de caràcters entre models TTS de codi obert, el qual significa que produeix la pronunciació més precisa. GLM- TTS implementa l' anglès i el xinès amb una veu clonada des de 3- 10 segons mostres d' àudio.

L' índexTTS- 2 és un sistema de text avançat que destaca en una síntesi de veu zero- pla amb un control d' emocions ben organitzates. Pot generar un discurs amb tons emocionals específics com de felicitat, tristos, o pors sense necessitat de dades d' entrenament d' emocions específiques. El model usa vectors d' emocions per controlar amb precisió l' expressió emocional del discurs generada.

Spark TTS per SparkAudio és un model de text a veu que combina la clonació de veu amb emocions controlables i estil de parlant. Usant només 5 segons d' àudio de referència, pot clonar una veu i després generar veu amb diferents emocions, velocitats i estils mentre manté la veu clonada. Spark utilitza un sistema de control basat en l' indicatiu.

El GPT- STITS combina el model de llenguatge GPT d' estil GPT amb SoVITS (Sing Voice Inferència mitjançant la traducció i els sintetitzats) per a una potent clonació de veu. Amb uns 5 segons d' àudio de referència, pot clonar amb precisió una veu i generar un nou discurs mentre es preserva les característiques úniques de l' altaveu. Es destaca en tots dos parlant i cantar veu.

Orfes és un model de text a gran escala que aconsegueix una expressió emocional a nivell humà. Entrat en més de 100.000 hores de dades de parla divers, destaca en generar discurs amb emocions naturals, èmfasi i parlant d' estils. Offeus pot produir un discurs gairebé indistingible de les gravacions humanes.

Caixa de xat per Resmeble AI és un model de clonació de veu de tall zero- fons. Pot replicar qualsevol veu d' una única mostra d' àudio amb una precisió extraordinària, capturant no només el timbre, sinó també l' estil de parlar i les imatges emocionals. La caixa de xat també permet ajustar el to emocional del discurs generat independentment de la identitat.

TTS és un sistema de text multi- veu autoregresiu que prioritza la qualitat d' àudio sobre velocitat. Usa l' arquitectura DALL- E que aspira a generar un discurs natural molt excel· lent amb una semblança excel· lent i similaritat. Encara que més lent que moltes alternatives, Torose produeix alguna part del discurs més realista disponible en l' ecosistema de codi obert.

L' estil TTS 2 aconsegueix la síntesi de TTS d' un nivell humà combinant la difusió d' estil amb models d' idioma amb gran veu. Genera el discurs més natural entre models d' un únic cloparlador, rivalitzant les gravacions humanes. L' estil TTS 2 usa el model d' estil de difusió basat en la captura de tota l' abast de la variació del llenguatge humà.

OpenVoice per la meva Shell.ai permet clonar la veu instantània amb un control de granular sobre l' estil de veu, les emocions, l' accent, el ritme, pausa i innació. Pot clonar una veu d' un curt clip d' àudio i generar veu en diversos idiomes mentre manté la identitat de l' altaveu. ObreVice també funciona com a convertidor de veu, permetent transformació en temps real.

El Qwen3- TTS és un model de text de 1. 7 mil milions de dòlars a veu des de l' equip Qweenaba. Permet tres modes: Permet veus preestablertes amb control d' emocions (9 parlants), clonant la veu des de només 3 segons d' àudio, i un mode de disseny únic de veu en el que descriu la veu que voleu en el llenguatge natural. cobreix 10 idiomes amb expressicions i prosodi.

Seame CSM (Conversational Model de veu) és un model de paràmetre de 1 mil milions de paràmetres dissenyat específicament per generar el discurs de conversa. Els models dels patrons naturals de conversa humana incloent- hi el temps de gir, les reaccions recanalcanalistes, les reaccions emocionals i el flux de conversa. CSM genera àudio que sona com una conversa humana natural en lloc del discurs sintètic.

Chatterbox Turbo per Resemble AI és una actualització del paràmetre 350M a Chatterbox, entregant a 6x en temps real amb la velocitat de retard de sub- 200ms. Permet etiquetes paralingüística com [riures], [riures], i [chuckle] directament al text. Inclou Perthmarking a tot l' àudio generat per a provar el seguiment.

Zonos v0. 1 per Zypra és un model de paràmetre 1. 6B amb un control d' emocions molt agradables amb deslliçadors per a la felicitat, la ràbia, la por i la sorpresa. Ofereix tant un transformador i una variant novel· la SSM (espai- space). Entre les 200 K+ hores d' un discurs multilingüe amb una veu exacta de 10- 30 segons de referència d' àudio.

Dia2 pels Nari Labs és una primera actualització del flux a Dia, disponible a les variants de paràmetre 1B i 2B. Comença a sintetitzar l' àudio des de les primeres fitxes, fent que ideal per als agents de veu en temps real i les canonades de veu a veu. Funciona amb un diàleg multiparlador de veu amb [S1] / [S2] i etiquetes paralingüística com (rialles), (coughtes).

VoxCPM 1. 5 per OpenBMB és un model TTS de novel· la que opera a l' espai continu en comptes de fitxes discretes. Aquest produeix una alta fidelitat 44.1kHz, accepta una clonació de veu zero- e- fons des de 3 10 segons, i manté la consistència entre paràgrafs. Els clons en l' idioma de Cross- language permeten aplicar una veu en anglès al discurs xinès i viceversa.

OutTeTS s'estén a grans models d' idioma amb capacitats de text a veu mentre es preserva l' arquitectura original. Permet múltiples dorsals incloent- hi llama.cpp (CUPU), Hugina els transformadors, ExlamaV2, VLLM, i fins i tot navegador enferència mitjançant transformadors.j. característiques zero- foto de veu clonada mitjançant els perfils de l' altaveu desat com a JSON.

TADA (Text- Acústic doble alineal) per Humee AI és un model innovador que elimina al·lucinacions a través d' una nova arquitectura d' alineació dual construïda a Llama 3. 2). Disponible en 1B (anglès) i 3B (mlingüe) variants, TADA aconsegueix un RTF de 0,9 "2002 5x més ràpid que els models de LLLM- TTS basats en LLM. Permet fins a 700 segons de context d' àudio i produeix un discurs emocionalment amb al·lucinacions zero sobre punts de referència estàndard.

VibeVoice per Microsoft arriba en dues variants: un model 1. 5B per al contingut de llarga forma (fins a 90 minuts, 4 parlants) i un model real de 0,5B per introduir- se amb ~200 ms primer de retard d' àudio. La variant 1. 5B destaca als podcasts i llibres d' àudio amb la consistència de l' altaveu sobre els passatges llargs. Nota: el codi de Microsoft TTS ha eliminat del repositori i l' àudio generat inclou un reproductor de disclaim.

Pocket TTS per Kyutai (cretors de Mhis) és un model de text compacte de 100M a veu que dóna força per sobre del seu pes. Funciona de forma eficient a la CPU, accepta una clonació de veu zeros d' una única mostra d' àudio i produeix un discurs natural. La mida petita del model fa ideal per als entorns de desplegament i baixos de codi.

Kitten TTS per KittenM és un model de text ultra- il· luminació construït en ONNX. Amb variants de 15M a 80 paràmetres (25- 80 MB en el disc), proporciona una síntesi de veu d' alta qualitat a la CPU sense necessitat d' una GPU. Les característiques 8 incorporacions de veu incorporades, ajustables i d' un procés de text per als números, les divises i les unitats. Ida per a les aplicacions de desplegament i de baixa potència.

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.