AI text pro mluvení

Kokoro je 82 milionů parametru text-to-speech model, který punčuje daleko nad jeho hmotnost třídy. Navzdory své malé velikosti, produkuje pozoruhodně přírodní a expresivní řeč. Kokoro podporuje více jazyků včetně angličtiny, japonštiny, čínštiny a korejštiny s řadou expresivních hlasů. To běží neuvěřitelně rychle, generování zvuku téměř 100x rychleji než v reálném čase na GPU.

Piper je lehký text-to-speech motor vyvinutý Rhasspy, který používá VITS a hrtan architektury. To běží zcela na CPU, což je ideální pro hrany zařízení, domácí automatizace, a aplikace vyžadující offline TTS. S více než 100 hlasy v 30 + jazyky, Piper poskytuje přírodní-zpívající řeč při rychlostech v reálném čase i na Malina Pi 4.

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) je paralelní metoda TTS ke konci, která generuje více přirozeného zvuku než současné dvoustupňové modely. Přijímá variační inferenci rozšířenou o normalizační toky a protivní výcvikový proces, který dosahuje významného zlepšení přirozenosti.

MeloTTS by MyShell.ai je vícejazyčná TTS knihovna podporující angličtinu (American, British, Indian, Australan), španělštinu, francouzštinu, čínštinu, japonštinu a korejštinu. Je to velmi rychlé, zpracování textu při rychlosti téměř v reálném čase na procesoru sám. MeloTTS je určen pro výrobu a podporuje jak CPU a GPU inference.

Bark by Suno je model na bázi transformeru, který může generovat vysoce realistické, vícejazyčné řeči, stejně jako jiné zvuky jako hudba, zvuk pozadí, a zvukové efekty. Může produkovat nonverbální komunikace, jako je smích, vzdych a pláč. Bark podporuje více než 100 předvoleb reproduktorů a 13+ jazyků.

Bark Small je destilovaná verze modelu Bark, která obchoduje s určitou kvalitou zvuku pro výrazně rychlejší inference rychlosti a nižší požadavky na paměť. Udržuje Bark schopnost vytvářet řeč s emocemi, smích, a více jazyků.

CosyVoice 2 od Alibaba je Tongyi Lab dosahuje lidské-srovnatelné kvality řeči s extrémně nízkou latencí, což je ideální pro aplikace v reálném čase. Používá konečný skalární kvantizační přístup pro streaming syntézy a podporuje nulovací-shot hlas klonování, křížovou syntézu, a jemně zakořeněné emoční kontroly. To překonává mnoho komerčních TTS systémů v subjektivních hodnocení.

Dia by Nari Labs je parametr 1.6B text-to-speech model určený speciálně pro generování multi-speaker dialog. To může vytvářet přirozeně znějící rozhovory mezi dvěma reproduktory s vhodným zatáčení, prosody a emocionální výraz. Dia je ideální pro tvorbu podcast-styl obsahu, audiokniha dialogů, a interaktivní konverzační AI.

Parler TTS je text-to-speech model, který používá přírodní jazyk hlasové popisy pro kontrolu generované řeči. Místo výběru z přednastavených hlasů, popisujete hlas, který chcete (např. "teplý ženský hlas s mírným britským přízvukem, mluví pomalu a jasně") a Parler generuje řeč odpovídající tomuto popisu. To je jedinečně flexibilní pro kreativní aplikace.

GLM-TTS od Zhipu AI je systém text-to-speech postavený na architektuře Llama s flow matching. Dosáhne nejnižší chybovost znaku mezi open-source TTS modely, což znamená, že produkuje nejpřesnější výslovnost. GLM-TTS podporuje angličtinu a čínštinu s hlasovým klonováním ze 3-10 sekund audio vzorků.

IndexTTS-2 je pokročilý systém text-to-speech, který vyniká při syntéze nulovacího hlasu s jemnou emocionální kontrolou. Může generovat řeč konkrétními emocionálními tóny jako je šťastný, smutný, naštvaný, nebo strach, aniž by vyžadovala údaje o specifickém tréninku emocí. Model používá emocionální vektory přesně k ovládání emocionálního výrazu generované řeči.

Spark TTS by SparkAudio je model text-to-speech, který kombinuje klonování hlasu s kontrolovatelnou emocí a stylem mluvení. Pomocí pouhých 5 sekund referenčního zvuku může naklonovat hlas a pak generovat řeč s různými emocemi, rychlostmi a styly při zachování klonované hlasové identity. Spark TTS používá rychle založený řídicí systém.

GPT-SoviTS kombinuje modeling jazyka ve stylu GPT se Sovits (Singing Voice Inference prostřednictvím překladu a syntézy) pro velmi málo střílející hlasové klonování. S pouhými 5 sekundami referenčního zvuku může přesně naklonovat hlas a vytvářet nový projev při zachování unikátních vlastností řečníka. Vyniká jak při syntéze mluvení, tak i zpěvu hlasu.

Orfeus je velkoplošný text-to-speech model, který dosahuje lidského-úroveň emocionálního výrazu. Vycvičený na více než 100.000 hodin různých řečových dat, vyniká při vytváření řeči s přirozenými emocemi, důraz, a mluvící styly. Orfeus může produkovat řeč, která je prakticky nerozlišitelný z lidských nahrávek.

Chatterbox od Resemble AI je špičkový model klonování hlasu s nulovým výstřelem. Může replikovat jakýkoliv hlas z jediného zvukového vzorku s pozoruhodnou přesností, zachycuje nejen timbre, ale také mluvící styl a emocionální nuance. Chatterbox také obsahuje jemně zakořeněné emoční ovládání, což vám umožní upravit emoční tón generované řeči nezávisle na hlasové identitě.

Tortoise TTS je autoregresivní multi-hlasový text-to-slovní systém, který upřednostňuje kvalitu zvuku přes rychlost. Využívá architekturu inspirovanou DALL-E k vytvoření vysoce přirozené řeči s vynikající prosody a podobnost reproduktorů. Zatímco pomalejší než mnoho alternativ, Tortoise produkuje některé z nejrealističtější syntetické řeči dostupné v open-source ekosystému.

Styl TTS 2 dosahuje syntézy TTS na lidské úrovni kombinací stylové difúze s protivním tréninkem pomocí velkých jazykových modelů. Vytváří nejpřirozenější zvukovou řeč mezi jednohlasnými modely, soupeřícími s lidskými nahrávkami. Styl TTS 2 používá modelování na bázi difuzního stylu, aby zachytil celou škálu variace lidské řeči.

OpenVoice by MyShell.ai umožňuje okamžité klonování hlasu s granulovanou kontrolou nad hlasovým stylem, emocí, akcentem, rytmem, pauzami a intonací. Může naklonovat hlas z krátkého zvukového klipu a generovat řeč ve více jazycích při zachování identity reproduktoru. OpenVoice také funguje jako hlasový převodník, který umožňuje proměnu hlasu v reálném čase.

Qwen3-TTS je 1,7 miliardy parametru text-to-speech modelu od Alibaby Qwen týmu. Podporuje tři režimy: přednastavené hlasy s emoční kontrolou (9 reproduktorů), hlas klonování z pouhých 3 sekundy zvuku, a jedinečný hlasový design režimu, kde popisujete hlas, který chcete v přirozeném jazyce. To zahrnuje 10 jazyků s vysokou expresivitou a přírodní prosodie.

Sezamový CSM (konverzační Speech Model) je 1 miliardový parametrový model určený speciálně pro generování konverzační řeči. Modeluje přirozené vzorce lidské konverzace včetně časování, zpětné reakce, emocionální reakce a konverzační tok. CSM vytváří zvuk, který zní spíše jako přirozený lidský rozhovor než syntetická řeč.

Chatterbox Turbo by Resemble AI je upgrade 350M parametru do Chatterboxu, která poskytuje až 6x rychlost v reálném čase s pod-200ms latence. Podporuje paralinguistické značky jako [smích], [kašel] a [smích] přímo v textu. Obsahuje Perth vodoznak na všech generovaných audio pro provenience sledování.

Zonos v0.1 by Zyphra je parametrový model 1.6B s jemnou emocí ovládání s posuvníky pro štěstí, hněv, smutek, strach a překvapení. Nabízí jak Transformer, tak i novou variantu SSM (State-space model). Vycvičen na 200K+ hodin vícejazyčného projevu s nula-shot hlasového klonování z 10-30 sekund referenčního zvuku.

Dia2 od Nari Labs je streaming-první upgrade na Dia, k dispozici v 1B a 2B parametr varianty. Začíná syntetizovat zvuk z prvních několika žetonů, což je ideální pro hlasové agenty v reálném čase a řeč-to-peech potrubí. Podporuje multi-reaker dialog s [S1]/[S2] tagy a paralinguistické tágy jako (smích), (kašle).

VoxCPM 1.5 od OpenBMB je nový tokenizer-free TTS model, který pracuje v nepřetržitém prostoru spíše než diskrétní žetony. Vytváří vysokou věrnost 44.1kHz audio, podporuje nulovací hlas klonování od 3-10 sekund, a udržuje konzistence napříč odstavci. Cross-language klonování umožňuje aplikovat anglický hlas na čínskou řeč a naopak.

OuteTTS rozšiřuje velké jazykové modely s funkcemi text-to-speech při zachování původní architektury. Podporuje více backendů včetně lama.cpp (CPU/GPU), objímání transformerů obličeje, ExLlamaV2, VLLM, a dokonce i inference prohlížeče přes Transformers.js. Funkce klonování hlasu s nulovým výstřelem přes reproduktorové profily uložené jako JSON.

TADA (Text-Akustic Dual Alignment) od Hume AI je průkopnický model TTS, který eliminuje halucinace prostřednictvím nové duální seřizovací architektury postavené na Llamě 3.2. K dispozici v 1B (anglický) a 3B (vícejazyčných) variantách, TADA dosahuje RTF 0.09 5x rychleji než srovnatelné modely TTS založené na LLM. Podporuje až 700 sekund audio kontextu a produkuje emocionálně expresivní řeč s nulovými halucinacemi na standardních referenčních hodnotách.

VibeVoice by Microsoft přichází ve dvou variantách: 1,5B model pro obsah dlouhé formy (až 90 minut, 4 reproduktory) a Realtime 0.5B model pro streaming s ~200ms první audio latence. Varianta 1.5B vyniká na podcasty a audioknihy s konzistence reproduktoru přes dlouhé pasáže. Poznámka: Microsoft odstranil TTS kód z úložiště a generoval audio obsahuje zvukové AI disclaimers.

Kapesní TTS od Kyutai (tvůrci Moshi) je kompaktní 100M parametr text-to-speech modelu, který prorazí vysoko nad svou váhu. To běží efektivně na CPU, podporuje nulovací hlasové klonování z jediného zvukového vzorku, a produkuje přirozený-zvučení řeči. Malá velikost modelu je ideální pro nasazení hran a nízko-zdrojové prostředí.

Kitten TTS by KittenML je ultralehký text-to-speech model postavený na ONNX. S variantami od 15M do 80M parametry (25-80 MB na disku), poskytuje vysoce kvalitní hlasovou syntézu na procesoru bez nutnosti GPU. Vlastnosti 8 vestavěných hlasů, nastavitelná rychlost řeči a vestavěný text předzpracování pro čísla, měny a jednotky. Ideální pro nasazení hran a nízkonákladové aplikace.

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.