AI testua hizketan

Kokoro 82 milioi parametro dituen testu-hizketa modelo bat da, bere pisu-klasearen gainetik dagoena. Bere tamaina txikia izan arren, hizketa oso naturala eta adierazgarria ekoizten du. Kokorok hainbat hizkuntza onartzen ditu, besteak beste, ingelesa, japoniera, txinera eta koreera, hainbat ahots adierazgarrirekin. Oso azkar exekutatzen da — GPU batean denbora errealean baino ia 100 aldiz azkarrago sortzen du audioa.

Piper Rhasspy-k garatutako testu-hizketa motor arina da, VITS eta larynx arkitekturak erabiltzen dituena. Erabat PUZ-n exekutatzen da, eta, beraz, ezin hobea da ertz-gailuetarako, etxeko automatizaziorako eta lineaz kanpoko TTS behar duten aplikazioetarako. 30 hizkuntza baino gehiagoko 100 ahots baino gehiagorekin, Piper-ek hizketa naturala ematen du denbora errealean, Raspberry Pi 4-n ere bai.

VITS (Variation Inference with adversarial learning for end-to-end Text-to-Speech) amaieratik amaierara TTS metodo paralelo bat da, gaur egungo bi faseko ereduek baino soinu naturalagoa sortzen duena. Inferentzia bariazionala hartzen du, fluxu normalizatzaileekin eta entrenamendu-prozesu aurkariarekin handitua, naturaltasunean hobekuntza nabarmena lortzeko.

MyShell.ai-ren MeloTTS hizkuntz anitzeko TTS liburutegi bat da, ingelesa (amerikarra, britainiarra, indiarra, australiarra), gaztelania, frantsesa, txinera, japoniera eta koreera onartzen dituena. Oso azkarra da, testua ia denbora errealean prozesatzen du PUZ soilarekin. MeloTTS ekoizpenerako diseinatuta dago, eta PUZ eta GPU inferentzia onartzen ditu.

Suno-ren Bark transformadorean oinarritutako testu-audiorako eredua da, hizketa hizkuntza anitzeko oso errealista sor dezakeena, baita beste audio batzuk ere, hala nola musika, atzeko planoko zaratak eta soinu-efektuak. Hitz egin gabeko komunikazioak sor ditzake, hala nola barreak, hasperenak eta negarrariak. Bark-ek 100 hiztun-aurrezarpen baino gehiago eta 13 hizkuntza baino gehiago onartzen ditu.

Bark Small Bark ereduaren bertsio destilatua da, audio-kalitatearen zati bat trukatzen duena inferentzia-abiadura nabarmen azkarragoen eta memoria-eskakizun txikiagoen truke. Emozioak, barreak eta hizkuntza anitzak dituen hizketa sortzeko Bark-en gaitasuna mantentzen du.

Alibaba-ren Tongyi Lab-en CosyVoice 2-k giza hizketaren antzeko kalitatea lortzen du latentzia oso txikiarekin, denbora errealeko aplikazioetarako ezin hobea bihurtuz. Kuantizazio eskalar finitu bat erabiltzen du korronte-sintesirako eta zero-shot ahots klonaketa, hizkuntzen arteko sintesia eta emozioen kontrola onartzen ditu. TTS sistema komertzial asko gainditzen ditu ebaluazio subjektiboetan.

Nari Labs-en Dia 1.6B parametrodun testu-hizketa eredua da, hiztun anitzeko elkarrizketak sortzeko bereziki diseinatua. Bi hiztun arteko elkarrizketak soinu naturalarekin sor ditzake txanda-hartze, prosodia eta adierazpen emozional egokiekin. Dia ezin hobea da podcast-estiloko edukiak, audioliburu-elkarrizketa eta AI elkarrizketa interaktiboak sortzeko.

Parler TTS testutik hizketarako eredua da, hizkuntza naturalaren ahots-deskribapenak erabiltzen dituena sortutako hizketa kontrolatzeko. Aurredefinitutako ahotsen artean hautatu ordez, nahi duzun ahotsa deskribatzen duzu (adibidez, "emakumezko ahots bero bat, britainiar azentu pixka batekin, astiro eta garbi hitz egiten duena") eta Parlerrek deskribapen horrekin bat datorren hizketa sortzen du. Horrek aplikazio sortzaileetarako malgutasun berezia ematen dio.

Zhipu AI-ren GLM-TTS Llama arkitekturan oinarritutako testu-hizketa sistema bat da, fluxu parekatzearekin. Kode irekiko TTS ereduen artean karaktere-errore-tasa txikiena lortzen du, hau da, ahoskera zehatzagoa sortzen du. GLM-TTS-k ingelesa eta txinera onartzen ditu, 3-10 segundoko audio-laginetatik ahotsa klonatuz.

IndexTTS-2 testutik hizketarako sistema aurreratua da, zero tiroko ahots-sintesian eta emozioen kontrol finean bikain dabilena. Emozio-trebakuntza-datu espezifikorik behar izan gabe, tonu emozional zehatzak dituen hizketa sor dezake, hala nola zoriontsua, tristea, haserretua edo beldurtia. Ereduak emozio-bektoreak erabiltzen ditu sortutako hizketaren adierazpen emozionala zehatz-mehatz kontrolatzeko.

SparkAudioren Spark TTS ahotsaren klonaketa emozio eta hizketa-estilo kontrolagarriekin konbinatzen duen testutik hizketarako eredu bat da. Erreferentziako audioaren 5 segundo bakarrik erabiliz, ahots bat klonatu eta gero hizketa emozio, abiadura eta estilo desberdinekin sor dezake, klonatutako ahotsaren identitateari eutsiz. Spark TTSk galdera-oinarriko kontrol-sistema bat erabiltzen du.

GPT-SoVITS-ek GPT estiloko hizkuntza-modelazioa eta SoVITS (Singing Voice Inference via Translation and Synthesis) konbinatzen ditu ahots-klonatze indartsua lortzeko. Erreferentziako audioaren 5 segundorekin, ahots bat zehatz-mehatz klonatu eta hizketa berria sor dezake, hiztunaren ezaugarri bereziak mantenduz. Ahots-sintesi bikaina da, bai hitz egiteko bai abesteko.

Orpheus testutik hizketarako eskala handiko eredua da, giza mailako emozio-adierazpena lortzen duena. 100.000 ordu baino gehiagoko hizketa-datu anitzetan trebatuta, hizketa emozio naturalekin, enfasiarekin eta hizketa-estiloekin sortzean bikain dabil. Orpheusek giza grabazioetatik ia bereizezina den hizketa sor dezake.

Resemble AI-ren Chatterbox zero-shot ahots klonazio-eredu aurreratu bat da. Audio-lagin bakar batetik edozein ahots erreplikatu dezake zehaztasun nabarmenarekin, tinbrea ez ezik, hizketa-estiloa eta emozioen ñabardurak ere harrapatuz. Chatterbox-ek emozioen kontrol finkoa ere eskaintzen du, sortutako hizketaren tonu emozionala ahots-identitatetik independenteki doitzeko aukera ematen dizuna.

Tortoise TTS ahots anitzeko testu-hizketa sistema autoregresiboa da, audio-kalitateari abiaduraren gainetik lehentasuna ematen diona. DALL-E-n inspiratutako arkitektura erabiltzen du hizketa oso naturala sortzeko, prosodia eta hiztunaren antzekotasun bikainekin. Beste alternatiba asko baino motelagoa den arren, Tortoise-k ekosistema irekian eskuragarri dauden hizketa sintetiko errealistarenetako batzuk sortzen ditu.

StyleTTS 2-k giza-mailako TTS sintesi bat lortzen du, estilo-difusioa eta aurkako entrenamendua konbinatuz, hizketa-hizkuntzaren eredu handiak erabiliz. Hiztun bakarreko ereduen artean soinurik naturalena sortzen du, giza-grabazioen lehian. StyleTTS 2-k difusioan oinarritutako estilo-modelizazioa erabiltzen du giza hizketaren aldaera-esparru osoa harrapatzeko.

MyShell.ai-ren OpenVoice-k ahotsaren berehalako klonatzea ahalbidetzen du, ahots-estiloaren, emozioaren, azentuaren, erritmoaren, pausen eta intonazioaren kontrol granularrarekin. Ahots bat klona dezake audio-klip labur batetik eta hizketa hizkuntza anitzetan sor dezake, hiztunaren identitatea mantenduz. OpenVoice-k ahots-bihurgailu gisa ere funtzionatzen du, denbora errealeko ahots-eraldaketa ahalbidetuz.

Qwen3-TTS 1.7 mila milioi parametroko testu-hizketa eredua da, Alibabako Qwen taldearena. Hiru modu onartzen ditu: emozio-kontrola duten ahotsak aurrezartzea (9 hiztun), 3 segundoko audiotik ahotsa klonatzea eta nahi duzun ahotsa hizkuntza naturalean deskribatzen duen ahots-diseinu modu berezia. 10 hizkuntza hartzen ditu, adierazkortasun handia eta prosodia naturala.

Sesame CSM (Conversational Speech Model) 1.000 milioi parametro dituen modelo bat da, hizketa-hizketa sortzeko bereziki diseinatua. Giza hizketa-hizketaren eredu naturalak modelatzen ditu, hala nola txanda-hartzearen denbora, atzeko kanaleko erantzunak, erreakzio emozionalak eta hizketa-fluxua. CSMk hizketa sintetikoaren ordez hizketa-hizketa naturalaren antzeko soinua sortzen du.

Resemble AI-ren Chatterbox Turbo Chatterbox-en 350M-ko parametro-berritzea da, denbora errealeko abiadura 6 aldiz handitzen duena 200 ms-tik beherako latentziarekin. Etiketa paralinguistikoak onartzen ditu, hala nola [barrez], [esnea] eta [barrezka] zuzenean testuan. Perth-eko ur-markak barne hartzen ditu sortutako audio guztietan, jatorriari jarraipena egiteko.

Zyphraren Zonos v0.1 1.6B parametro-eredu bat da, emozio-kontrol fina duena, zoriontasuna, haserrea, tristura, beldurra eta harridura adierazteko graduatzaileekin. Eraldatzaile bat eta SSM (estatu-espazio-eredu) aldaera berri bat eskaintzen ditu. 200.000 ordu baino gehiagoko hizketa-hizkuntza anitzetan trebatuta dago, 10-30 segundoko erreferentziako audiotik ahotsaren klonazio zero-shotarekin.

Nari Labs-en Dia2 Dia-ren streaming-first bertsio-berritzea da, 1B eta 2B parametro-aldaketatan eskuragarri. Audioa sintetizatzen hasten da lehen tokenetatik, eta, beraz, ezin hobea da denbora errealeko ahots-agenteen eta hizketa-hizketa kanaletarako. Ahots anitzeko elkarrizketa onartzen du [S1]/[S2] etiketekin eta (barreak), (esnea) bezalako iradokizun paralinguistikoekin.

OpenBMB-ren VoxCPM 1.5 tokenizatzailerik gabeko TTS eredu berria da, token diskretoen ordez espazio jarraituan funtzionatzen duena. 44,1 kHz-ko fideltasun handiko audioa ekoizten du, 3-10 segundoko zero-shot ahots klonaketa onartzen du, eta paragrafoen arteko koherentzia mantentzen du. Hizkuntza arteko klonaketak ingelesezko ahotsa txinerazko hizketan aplikatzea ahalbidetzen du, eta alderantziz.

OuteTTS-ek hizkuntza-eredu handiak testu-hizketa gaitasunekin hedatzen ditu, jatorrizko arkitektura mantenduz. Hainbat backend onartzen ditu, hala nola llama.cpp (PUZ/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, eta baita arakatzailearen inferentzia Transformers.js-en bidez ere. Ahots-klonaketa zero-shot-a eskaintzen du JSON gisa gordetako hiztun-profilen bidez.

Hume AI-ren TADA (Testu-Akustikoaren Lerrokatze Bikoitza) TTS eredu berritzailea da, Llama 3.2-n oinarritutako lerrokatze bikoitz arkitektura berri baten bidez haluzinazioak ezabatzen dituena. 1B (ingelesez) eta 3B (hizkuntza anitzeko) aldaeratan eskuragarri, TADA-k 0,09ko RTF-a lortzen du — LLM-n oinarritutako TTS eredu konparagarriak baino 5 aldiz azkarrago. 700 segundoko audio-testuingurua onartzen du eta hizketa emozionalki adierazgarria sortzen du, haluzinaziorik gabe, erreferentzia-puntu estandarretan.

Microsoft-en VibeVoice-k bi aldaera ditu: 1.5B modeloa eduki luzeetarako (90 minutura arte, 4 bozgorailu) eta denbora errealeko 0.5B modeloa ~200 ms-ko lehen audioaren latentzia duen streaming-erako. 1.5B aldaera bikaina da podcast-etan eta audioliburuetan, pasadizo luzeetan ahotsaren koherentziarekin. Oharra: Microsoft-ek TTS kodea kendu du biltegitik eta sortutako audioak AI-ren erantzukizun-ezaren adierazpen entzungarriak ditu.

Kyutai-ren (Moshi-ren sortzaileak) Pocket TTS 100M parametro dituen testu-hizketa modelo trinkoa da, bere pisua gainditzen duena. PUZ-an eraginkortasunez exekutatzen da, audio-lagin bakar batetik zero-shot ahots klonaketa onartzen du, eta soinu naturala duen hizketa sortzen du. Modeloaren tamaina txikiak ezin hobea egiten du ertz-hedapenetarako eta baliabide gutxiko inguruneetarako.

Kitten TTS, KittenML-k garatua, testu-hizketa modelo ultra-arina da, ONNX-en oinarrituta. 15M eta 80M parametroen arteko aldaerak ditu (25-80 MB diskoan), eta kalitate handiko ahots-sintesia eskaintzen du PUZ-n GPUrik behar izan gabe. 8 ahots barneratu, hizketa-abiadura doigarria eta zenbaki, diru eta unitateetarako testu-aurreprozesatzaile barneratua ditu. Oso egokia da ertz-hedapenerako eta latentzia txikiko aplikazioetarako.

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.