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.

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.