متن به گفتارComment
تبدیل متن به گفتار طبیعی با مدلهای هوش مصنوعی متن باز. استفاده از آن رایگان است، حسابی نیاز نیست.
برای کنترل دقیق ، متن خود را در برچسبهای SSML بپیچید:
<speak><prosody rate="slow">Slow speech</prosody></speak>
اضافه کردن نشانگرهای احساس برای تأثیر بر تحویل (مدل پشتیبانی متفاوت است):
تعریف تلفظ سفارشی) کلمه = تلفظ (:
جزئیات مدل
GPT-SoVITS
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.
| توسعهدهنده: | RVC-Boss |
| مجوز: | MIT |
| سرعت | Slow |
| کیفیت: | |
| زبانها | 4 زبانها |
| حافظۀ تصویری | 6GB |
| شبیهسازی صدا | پشتیبانیشده |
نکات برای نتایج بهتر
- استفاده از نشانه گذاری مناسب برای توقفهای طبیعی و نت
- اعداد و مخففها را برای تلفظ واضح تر تلفظ کنید
- افزودن فاصلۀ میانی برای ایجاد وقفههای کوتاه بین جملات
- از نقطهٔ سه نقطه (...) برای توقفهای طولانیتر استفاده کنید
- Kokoro یا CosyVoice 2 را برای طبیعی ترین نتایج امتحان کنید
- استفاده از Dia برای محاورۀ چند بلندگو و محتوای پادکست
استفاده از نویسهها
| حیوان | هزینه برای هر ۱K نویسه |
|---|---|
| آزاد | ۰ امتیاز) نامحدود ( |
| پیشفرض | 2 اعتبار / 1K کاراکتر |
| پریمیوم | 4 امتیاز / 1K کاراکتر |
چگونه هوش مصنوعی متن به گفتار کار میکند
تولید صداگذاری با کیفیت حرفهای در سه گام ساده. هیچ دانش فنی مورد نیاز نیست.
وارد کردن متن شما
متنی را که میخواهید به گفتار تبدیل کنید ، تایپ ، چسباندن یا بارگذاری کنید. تا ۵۰۰۰ کاراکتر در هر نسل برای کاربران وارد شده پشتیبانی میشود. از متن ساده استفاده کنید یا برچسبهای SSML را برای کنترل پیشرفته بر روی تلفظ ، مکثها و تأکید اضافه کنید.
برگزیدن مدل و صدا
از میان ۲۰ مدل هوش مصنوعی در سه سطح انتخاب کنید. یک صدا را که با محتوای شما مطابقت دارد انتخاب کنید، زبان هدف خود را انتخاب کنید، سرعت پخش را از ۰٫۵x تا ۲٫۰x تنظیم کنید، و قالب خروجی مورد علاقه خود را انتخاب کنید (MP3، WAV، OGG، یا FLAC).
& بارگیری
تولید را فشار دهید و صدای شما در چند ثانیه آماده خواهد شد. با پخشکننده داخلی پیشنمایش کنید ، در قالب انتخابی خود بارگیری کنید ، یا یک پیوند قابل اشتراک را رونوشت کنید. از API برای پردازش گروهی و ادغام در جریان کار خود استفاده کنید.
موردهای استفاده متن به گفتارName
متن به گفتار با استفاده از هوش مصنوعی در حال دگرگونی نحوه ایجاد، مصرف و تعامل مردم با محتوای صوتی در دهها صنعت است.
همۀ مدلهای متن به گفتار
مشخصات مفصل برای هر مدل هوش مصنوعی در دسترس در TTS.ai. مقایسه کیفیت، سرعت، پشتیبانی زبان و ویژگیها برای یافتن مدل کامل برای پروژه شما.
Kokoro
Free
Kokoro یک مدل ۸۲ میلیون پارامتر متن به گفتار است که بسیار بالاتر از کلاس وزن خود عمل میکند. با وجود اندازه کوچکش، سخنرانیهای بسیار طبیعی و بیانی تولید میکند. Kokoro از زبانهای متعددی از جمله انگلیسی، ژاپنی، چینی و کرهای با صداهای بیانی متنوع پشتیبانی میکند. به طرز باورنکردنی سریع اجرا میشود — تولید صدا تقریباً ۱۰۰ برابر سریعتر از زمان واقعی در یک GPU است.
Hexgrad
Apache 2.0
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
1.5GB
نه
آزاد
Piper
Free
پایپر یک موتور متن به گفتار سبک است که توسط راشسپی توسعه یافته و از معماریهای VITS و larynx استفاده میکند. این موتور بهطور کامل بر روی CPU اجرا میشود، که این باعث میشود برای دستگاههای کناری، اتوماسیون خانگی و برنامههایی که نیاز به TTS آفلاین دارند ایدهآل باشد. با بیش از ۱۰۰ صدا در ۳۰ زبان، پایپر حتی در یک Raspberry Pi 4 نیز گفتار طبیعی را با سرعت بیدرنگ ارائه میدهد.
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)
نه
آزاد
VITS
Free
VITS (استنتاج متغیر با یادگیری رقابتی برای متن به گفتار پایان به پایان) یک روش TTS موازی پایان به پایان است که صدای طبیعی تر را نسبت به مدلهای دو مرحله ای فعلی تولید میکند.
Jaehyeon Kim et al.
MIT
Fast
en, zh, ja, ko
1GB
نه
آزاد
MeloTTS
Free
MeloTTS توسط MyShell.ai یک کتابخانه چندزبانه TTS است که از انگلیسی (آمریکایی، بریتانیایی، هندی، استرالیایی)، اسپانیایی، فرانسوی، چینی، ژاپنی و کرهای پشتیبانی میکند. این کتابخانه بسیار سریع است و متن را با سرعتی نزدیک به زمان واقعی بر روی CPU پردازش میکند. MeloTTS برای استفاده در تولید طراحی شده و از استنتاج CPU و GPU پشتیبانی میکند.
MyShell.ai
MIT
Fast
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
نه
آزاد
Bark
Standard
Bark by Suno یک مدل متن به صدا بر پایهٔ تبدیلکننده است که میتواند سخنرانی چندزبانه بسیار واقعی و همچنین صداهای دیگر مانند موسیقی، سر و صدای پسزمینه و جلوههای صوتی را تولید کند. میتواند ارتباطات غیرکلامی مانند خنده، ناله و گریه را تولید کند. Bark از بیش از ۱۰۰ پیشفرض بلندگو و ۱۳ زبان پشتیبانی میکند.
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
نه
2x
Bark Small
Standard
Bark Small یک نسخه تقطیر شده از مدل Bark است که برخی از کیفیت صدا را برای سرعت استنتاج سریعتر و نیازهای حافظه کمتر معامله میکند.
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
نه
2x
CosyVoice 2
Standard
این نرمافزار از یک روش کوانتیزه کردن مقیاسی متناهی برای سنتز جریانی استفاده میکند و از شبیهسازی صدای صفر-شلیک، سنتز زبانی و کنترل احساسات دانه ریز پشتیبانی میکند.
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
4GB
آره
2x
Dia TTS
Standard
Dia توسط Nari Labs یک مدل متن به گفتار با پارامتر ۱٫۶ بی است که به طور خاص برای تولید مکالمات چندگوینده طراحی شده است. میتواند مکالمات طبیعی بین دو سخنران با نوبتگیری مناسب، نظم و بیان احساسی تولید کند. Dia برای ایجاد محتوای سبک پادکست ، مکالمات کتاب صوتی و هوش مصنوعی مکالمهای تعاملی عالی است.
Nari Labs
Apache 2.0
Medium
en
4GB
نه
2x
Parler TTS
Standard
Parler TTS یک مدل متن به گفتار است که از توصیفهای صدای زبان طبیعی برای کنترل گفتار تولید شده استفاده میکند. به جای انتخاب از صداهای پیشفرض ، صدایی را که میخواهید توصیف کنید (مثلاً ، « یک صدای گرم زنانه با لهجه کم بریتانیایی ، آهسته و واضح صحبت میکند ») و Parler گفتاری را تولید میکند که با آن توصیف مطابقت دارد. این آن را برای کاربردهای خلاقانه منحصربهفرد میکند.
Hugging Face
Apache 2.0
Medium
en
4GB
نه
2x
GLM-TTS
Standard
GLM-TTS توسط Zhipu AI یک سیستم متن به گفتار است که بر اساس معماری Lama با تطابق جریان ساخته شده است. این سیستم به پایینترین نرخ خطای کاراکتر در میان مدلهای TTS منبع باز دست مییابد، به این معنی که دقت بیشتری در تلفظ دارد. GLM-TTS از انگلیسی و چینی با شبیهسازی صدا از نمونههای صوتی ۳ تا ۱۰ ثانیه پشتیبانی میکند.
Zhipu AI
GLM-4 License
Medium
en, zh
4GB
آره
2x
IndexTTS-2
Standard
این سیستم میتواند بدون نیاز به دادههای آموزشی خاص احساسی، گفتاری با نتهای احساسی خاص مانند خوشحال، غمگین، عصبانی یا ترسیده را تولید کند. این مدل از بردارهای احساسی برای کنترل دقیق بیان احساسی گفتار تولید شده استفاده میکند.
Index Team
Bilibili Model License
Medium
en, zh
4GB
آره
2x
Spark TTS
Standard
Spark TTS توسط SparkAudio یک مدل متن به گفتار است که شبیهسازی صدا را با احساس قابل کنترل و سبک گفتار ترکیب میکند. با استفاده از تنها ۵ ثانیه از صدای مرجع، میتواند یک صدا را شبیهسازی کند و سپس گفتاری با احساسات، سرعتها و سبکهای مختلف تولید کند در حالی که هویت صدای شبیهسازی شده را حفظ میکند. Spark TTS از یک سیستم کنترل مبتنی بر دستورالعمل استفاده میکند.
SparkAudio
CC BY-NC-SA 4.0
Medium
en, zh
4GB
آره
2x
GPT-SoVITS
Standard
GPT- SoVITS مدلسازی زبان به سبک GPT را با SoVITS (استنباط صدای آوازخوانی از طریق ترجمه و ترکیب) برای شبیهسازی قدرتمند چند شلیک صدا ترکیب میکند. با کمتر از ۵ ثانیه صدای مرجع ، میتواند صدا را دقیقاً شبیهسازی کند و گفتار جدیدی تولید کند در حالی که ویژگیهای منحصر به فرد سخنران را حفظ میکند. در ترکیب صدای سخنرانی و آوازخوانی نیز برتر است.
RVC-Boss
MIT
Slow
en, zh, ja, ko
6GB
آره
2x
Orpheus
Standard
Orpheus یک مدل متن به گفتار در مقیاس بزرگ است که به بیان احساسات در سطح انسانی میرسد. آموزش دیده بر روی بیش از ۱۰۰،۰۰۰ ساعت دادههای گوناگون گفتار، در تولید گفتار با احساسات طبیعی، تأکید و سبکهای گفتار برتری دارد. Orpheus میتواند گفتاری را تولید کند که عملاً از ضبطهای انسانی قابل تشخیص نیست.
Canopy Labs
Llama 3.2 Community
Medium
en
4GB
نه
2x
Chatterbox
Premium
Chatterbox توسط Resemble AI یک مدل شبیهسازی صدای صفر- شلیک پیشرفته است. میتواند هر صدایی را از یک نمونه صوتی با دقت قابل توجهی تکرار کند ، نه تنها با گرفتن صدای صدا بلکه همچنین سبک صحبت کردن و سایههای احساسی. Chatterbox همچنین دارای کنترل احساسات با دانه ریز است ، که به شما اجازه میدهد تا صدای احساسی سخن تولید شده را مستقل از هویت صدا تنظیم کنید.
Resemble AI
MIT
Medium
en
4GB
آره
4x
Tortoise TTS
Premium
Tortoise TTS یک سیستم متن به گفتار چند صدای خودبازگشتی است که کیفیت صدا را بر سرعت اولویت میدهد. از معماری الهام گرفته از DALL- E برای تولید گفتار بسیار طبیعی با شباهت عالی به صدا و سخنران استفاده میکند. در حالی که نسبت به بسیاری از جایگزینها کندتر است ، Tortoise برخی از واقعیترین گفتارهای ترکیبی را در اکوسیستم منبع باز تولید میکند.
James Betker
Apache 2.0
Slow
en
8GB
آره
4x
StyleTTS 2
Premium
StyleTTS 2 با ترکیب پخش سبک با آموزش رقابتی با استفاده از مدلهای بزرگ زبان گفتار، به سنتز TTS سطح انسانی میرسد. این نرمافزار طبیعیترین صدای سخنرانی را در میان مدلهای تکگوینده تولید میکند، که با ضبطهای انسانی رقابت میکند.
Columbia University
MIT
Medium
en
4GB
نه
4x
OpenVoice
Premium
OpenVoice توسط MyShell.ai امکان شبیهسازی صدای فوری را با کنترل دقیق بر روی سبک صدا، احساس، لهجه، ریتم، توقف و نغمه را فراهم میکند. میتواند صدایی را از یک کلیپ صوتی کوتاه شبیهسازی کند و سخنرانی را در چندین زبان تولید کند در حالی که هویت سخنران را حفظ میکند. OpenVoice همچنین به عنوان یک مبدل صدا عمل میکند، که به تبدیل صدا در زمان واقعی اجازه میدهد.
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
4GB
آره
4x
Qwen3 TTS
Standard
Qwen3-TTS یک مدل متن به گفتار با ۱٫۷ میلیارد پارامتر از تیم Qwen در Alibaba است. از سه حالت پشتیبانی میکند: صداهای پیشفرض با کنترل احساس (۹ بلندگو)، شبیهسازی صدا از تنها ۳ ثانیه صدا، و حالت طراحی صدای منحصر به فرد که در آن صدایی را که میخواهید به زبان طبیعی توصیف کنید. ۱۰ زبان را با بیان بالا و نظم طبیعی پوشش میدهد.
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
آره
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) یک مدل ۱ میلیارد پارامتر است که بهطور خاص برای تولید گفتار مکالمهای طراحی شده است. این الگوهای طبیعی مکالمه انسانی از جمله زمانبندی نوبتگیری، پاسخهای کانال عقب، واکنشهای احساسی و جریان مکالمه را مدل میکند. CSM صدایی تولید میکند که به جای گفتار مصنوعی ، مانند یک مکالمه طبیعی انسانی است.
Sesame
Apache 2.0
Slow
en
8GB
نه
4x
Chatterbox Turbo
Standard
Chatterbox Turbo by Resemble AI یک ارتقای پارامتر ۳۵۰ مگابایتی به Chatterbox است که سرعتی برابر با ۶ برابر سرعت واقعی با تأخیر کمتر از ۲۰۰ مگابیت بر ثانیه ارائه میدهد. از برچسبهای زبانی مانند [خنده] ، [سرفه] و [خنده] مستقیماً در متن پشتیبانی میکند. شامل علامت آب پرث بر روی تمام صداهای تولید شده برای ردیابی منشأ است.
Resemble AI
MIT
Fast
en
2GB
آره
2x
Zonos
Standard
زونوس v0.1 توسط Zyphra یک مدل پارامتر ۱٫۶B با کنترل احساسات با اسلایدرهای خوشحالی، خشم، غم، ترس و شگفتی است. این هر دو یک ترانسفورماتور و یک نسخه جدید SSM (مدل فضای-حالت) را ارائه میدهد. روی ۲۰۰K+ ساعت گفتار چندزبانه با شبیهسازی صدای صفر-شلیک از ۱۰-۳۰ ثانیه از صدای مرجع آموزش دیده است.
Zyphra
Apache 2.0
Medium
en, ja, zh, fr, de
6GB
آره
2x
Dia 2
Standard
Dia2 توسط Nari Labs یک ارتقای جریان اول به Dia است، که در پارامترهای 1B و 2B موجود است. آن شروع به سنتز صدا از چند نشانه اول میکند، که آن را برای عوامل صدای زمان واقعی و خط لولههای گفتار به گفتار ایدهآل میکند. از گفتگوی چند بلندگو با برچسبهای [S1] / [S2] و نشانههای پارازبانی مانند (خنده)، (سرفه) پشتیبانی میکند.
Nari Labs
Apache 2.0
Fast
en
4GB
نه
2x
VoxCPM
Standard
VoxCPM 1.5 توسط OpenBMB یک مدل TTS جدید بدون توکنساز است که به جای توکنهای جداگانه در فضای پیوسته عمل میکند. صدای ۴۴٫۱ کیلوهرتز با صدای با کیفیت بالا تولید میکند، از شبیهسازی صدای شلیک صفر از ۳ تا ۱۰ ثانیه پشتیبانی میکند، و ثبات را در سراسر پاراگرافها حفظ میکند. شبیهسازی زبانی به شما اجازه میدهد که صدای انگلیسی را به گفتار چینی و برعکس اعمال کنید.
OpenBMB
Apache 2.0
Fast
en, zh
4GB
آره
2x
OuteTTS
Free
OuteTTS مدلهای بزرگ زبان را با قابلیتهای متن به گفتار گسترش میدهد در حالی که معماری اصلی را حفظ میکند. از چندین پشته پشتیبانی میکند از جمله llama.cpp (CPU / GPU)، Hugging Face Transformers، ExLlamaV2، VLLM، و حتی استنتاج مرورگر از طریق Transformers.js.
OuteAI
Apache 2.0
Fast
en
2GB
آره
آزاد
TADA
Standard
TADA (Text-Acoustic Dual Alignment) توسط Hume AI یک مدل TTS پیشرو است که توهمات را از طریق یک معماری جدید دوگانه همترازسازی ساخته شده بر روی Lama 3.2 از بین میبرد. در دسترس در 1B (انگلیسی) و 3B (چند زبانه) انواع، TADA به یک RTF 0.09 - 5x سریعتر از مدلهای TTS قابل مقایسه بر پایه LLM میرسد.
Hume AI
MIT
Fast
en
5GB
نه
2x
VibeVoice
Standard
ویبوایس توسط مایکروسافت در دو نوع عرضه میشود: مدل ۱٫۵ بیتی برای محتوای طولانی (تا ۹۰ دقیقه، ۴ بلندگو) و مدل زمان واقعی ۰٫۵ بیتی برای پخش با تاخیر صدای اولیه ~ ۲۰۰ میلیثانیه.
Microsoft
MIT
Fast
en, zh
4GB
نه
2x
Pocket TTS
Free
Pocket TTS توسط Kyutai (سازندگان Moshi) یک مدل فشرده ۱۰۰M پارامتر متن به گفتار است که بسیار بالاتر از وزن خود عمل میکند. این به صورت کارآمد بر روی CPU اجرا میشود، از شبیهسازی صدای شلیک صفر از یک نمونه صوتی پشتیبانی میکند، و گفتاری با صدای طبیعی تولید میکند. اندازه کوچک مدل آن را برای گسترش لبه و محیطهای کم منابع ایدهآل میکند.
Kyutai
MIT
Fast
en, fr
1GB
آره
آزاد
Kitten TTS
Free
Kitten TTS by KittenML یک مدل متن به گفتار فوق سبک است که بر روی ONNX ساخته شدهاست. با انواع پارامترهای ۱۵M تا ۸۰M (۲۵-۸۰ MB در دیسک)، ترکیب صدای با کیفیت بالا را در CPU بدون نیاز به GPU ارائه میدهد. ویژگیهای ۸ صدای درونی، سرعت گفتار تنظیمپذیر، و پیشپردازش متن درونی برای اعداد، واحدهای پول و واحدها. ایدهآل برای پیادهسازی لبه و برنامههای کاربردی با تأخیر کم.
KittenML
Apache 2.0
Fast
en
0GB
نه
آزاد
CosyVoice3
Standard
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.
Alibaba (FunAudioLLM)
Apache 2.0
Fast
en, zh, ja, ko, de, es, fr, it, ru
4GB
آره
2x
MOSS-TTS
Premium
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.
OpenMOSS
Apache 2.0
Medium
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
16GB
آره
4x
MegaTTS3
Premium
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.
ByteDance
Apache 2.0
Slow
en, zh
8GB
آره
4x
Kokoro
آزاد
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
آزاد
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
آزاد
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
آزاد
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
OuteTTS
آزاد
OuteTTS extends large language models with text-to-speech capabilities while preserving the original architecture. It supports multiple backends including llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, and even browser inference via Transformers.js. Features zero-shot voice cloning through speaker profiles saved as JSON.
OuteAI
Apache 2.0
Fast
Pocket TTS
آزاد
Pocket TTS by Kyutai (creators of Moshi) is a compact 100M parameter text-to-speech model that punches well above its weight. It runs efficiently on CPU, supports zero-shot voice cloning from a single audio sample, and produces natural-sounding speech. The small model size makes it ideal for edge deployment and low-resource environments.
Kyutai
MIT
Fast
Kitten TTS
آزاد
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
پیشفرض
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
نه
Bark Small
پیشفرض
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
نه
CosyVoice 2
پیشفرض
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
آره
Dia TTS
پیشفرض
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
نه
Parler TTS
پیشفرض
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
نه
GLM-TTS
پیشفرض
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
آره
IndexTTS-2
پیشفرض
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
آره
Spark TTS
پیشفرض
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
آره
GPT-SoVITS
پیشفرض
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
آره
Orpheus
پیشفرض
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
نه
Qwen3 TTS
پیشفرض
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
آره
Chatterbox Turbo
پیشفرض
Chatterbox Turbo by Resemble AI is a 350M parameter upgrade to Chatterbox, delivering up to 6x real-time speed with sub-200ms latency. It supports paralinguistic tags like [laugh], [cough], and [chuckle] directly in text. Includes Perth watermarking on all generated audio for provenance tracking.
Resemble AI
MIT
Fast
en
آره
Zonos
پیشفرض
Zonos v0.1 by Zyphra is a 1.6B parameter model featuring fine-grained emotion control with sliders for happiness, anger, sadness, fear, and surprise. It offers both a Transformer and a novel SSM (state-space model) variant. Trained on 200K+ hours of multilingual speech with zero-shot voice cloning from 10-30 seconds of reference audio.
Zyphra
Apache 2.0
Medium
en, ja, zh, fr, de
آره
Dia 2
پیشفرض
Dia2 by Nari Labs is a streaming-first upgrade to Dia, available in 1B and 2B parameter variants. It begins synthesizing audio from the first few tokens, making it ideal for real-time voice agents and speech-to-speech pipelines. Supports multi-speaker dialogue with [S1]/[S2] tags and paralinguistic cues like (laughs), (coughs).
Nari Labs
Apache 2.0
Fast
en
نه
VoxCPM
پیشفرض
VoxCPM 1.5 by OpenBMB is a novel tokenizer-free TTS model that operates in continuous space rather than discrete tokens. It produces high-fidelity 44.1kHz audio, supports zero-shot voice cloning from 3-10 seconds, and maintains consistency across paragraphs. Cross-language cloning lets you apply an English voice to Chinese speech and vice versa.
OpenBMB
Apache 2.0
Fast
en, zh
آره
TADA
پیشفرض
TADA (Text-Acoustic Dual Alignment) by Hume AI is a groundbreaking TTS model that eliminates hallucinations through a novel dual alignment architecture built on Llama 3.2. Available in 1B (English) and 3B (multilingual) variants, TADA achieves an RTF of 0.09 — 5x faster than comparable LLM-based TTS models. It supports up to 700 seconds of audio context and produces emotionally expressive speech with zero hallucinations on standard benchmarks.
Hume AI
MIT
Fast
en
نه
VibeVoice
پیشفرض
VibeVoice from Microsoft generates long-form speech up to 90 minutes with support for 4 simultaneous speakers, making it ideal for podcasts and dialogues. The Realtime 0.5B variant achieves ~300ms latency for interactive use. Supports speaker tags for multi-turn dialogue generation.
Microsoft
MIT
Fast
en, zh
نه
CosyVoice3
پیشفرض
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.
Alibaba (FunAudioLLM)
Apache 2.0
Fast
en, zh, ja, ko, de, es, fr, it, ru
آره
Chatterbox
پریمیوم
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
آره
4GB
4x
Tortoise TTS
پریمیوم
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
آره
8GB
4x
StyleTTS 2
پریمیوم
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
نه
4GB
4x
OpenVoice
پریمیوم
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
آره
4GB
4x
Sesame CSM
پریمیوم
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
نه
8GB
4x
MOSS-TTS
پریمیوم
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.
OpenMOSS
Apache 2.0
Medium
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
آره
16GB
4x
MegaTTS3
پریمیوم
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.
ByteDance
Apache 2.0
Slow
en, zh
آره
8GB
4x
جدول مقایسه مدل
| مدل | توسعهدهنده: | حیوان | کیفیت: | سرعت | زبانها | شبیهسازی صدا | حافظۀ تصویری | مجوز: | تشکر | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | آزاد | استفاده | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | آزاد | استفاده | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | آزاد | استفاده | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | آزاد | استفاده | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | استفاده | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | استفاده | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | استفاده | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | استفاده | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | استفاده | ||
| GLM-TTS | Zhipu AI | Standard | Medium | 2 | 4GB | GLM-4 License | 2 | استفاده | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Bilibili Model License | 2 | استفاده | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | استفاده | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | استفاده | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | استفاده | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | استفاده | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | استفاده | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | استفاده | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | استفاده | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | استفاده | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | استفاده | ||
| Chatterbox Turbo | Resemble AI | Standard | Fast | 1 | 2GB | MIT | 2 | استفاده | ||
| Zonos | Zyphra | Standard | Medium | 5 | 6GB | Apache 2.0 | 2 | استفاده | ||
| Dia 2 | Nari Labs | Standard | Fast | 1 | 4GB | Apache 2.0 | 2 | استفاده | ||
| VoxCPM | OpenBMB | Standard | Fast | 2 | 4GB | Apache 2.0 | 2 | استفاده | ||
| OuteTTS | OuteAI | Free | Fast | 1 | 2GB | Apache 2.0 | آزاد | استفاده | ||
| TADA | Hume AI | Standard | Fast | 1 | 5GB | MIT | 2 | استفاده | ||
| VibeVoice | Microsoft | Standard | Fast | 2 | 4GB | MIT | 2 | استفاده | ||
| Pocket TTS | Kyutai | Free | Fast | 2 | 1GB | MIT | آزاد | استفاده | ||
| Kitten TTS | KittenML | Free | Fast | 1 | 0GB | Apache 2.0 | آزاد | استفاده | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | Fast | 9 | 4GB | Apache 2.0 | 2 | استفاده | ||
| MOSS-TTS | OpenMOSS | Premium | Medium | 19 | 16GB | Apache 2.0 | 4 | استفاده | ||
| MegaTTS3 | ByteDance | Premium | Slow | 2 | 8GB | Apache 2.0 | 4 | استفاده |
جامعترین پلتفرم تبدیل متن به گفتار هوش مصنوعی
چرا TTS.ai رو براي متن به گفتار انتخاب کردي؟
TTS.ai جهان رو گرد هم مياره
هر مدل تحت MIT، Apache 2.0 یا مجوزهای مشابه آزاد است، که اطمینان حاصل میکند که شما حقوق تجاری کاملی برای استفاده از صدای تولید شده در پروژههای خود دارید. چه نیاز به ترکیب سریع و سبک برای برنامههای کاربردی زمان واقعی یا خروجی با کیفیت استودیویی برای کتابهای صوتی و پادکست داشته باشید، TTS.ai مدل مناسبی برای هر مورد استفاده دارد.
مدلهای رایگان، حساب نیازی نیست
فوراً با سه مدل TTS رایگان شروع کنید: Piper (بسیار سریع، سبک وزن)، VITS (تصویرسازی عصبی با کیفیت بالا)، و MeloTTS (پشتیبانی چندزبانه). بدون ثبت نام، بدون کارت اعتباری، بدون محدودیت در نسلها. مدلهای رایگان از انگلیسی و چندین زبان دیگر با خروجی صدای طبیعی که برای اکثر برنامهها مناسب است پشتیبانی میکنند.
پردازش شتابدار GPU
مدلهای رایگان معمولاً صدا را در کمتر از ۲ ثانیه تولید میکنند. مدلهای استاندارد مانند Kokoro، CosyVoice ۲، و Bark بهطور متوسط ۳ تا ۵ ثانیه. مدلهای پریمیوم با بالاترین کیفیت، مانند Tortoise و Chatterbox، بسته به طول متن، در ۵ تا ۱۵ ثانیه پردازش میشوند.
پشتیبانی از بیش از ۳۰ زبان
تولید گفتار در بیش از ۳۰ زبان از جمله انگلیسی، اسپانیایی، فرانسوی، آلمانی، ایتالیایی، پرتغالی، چینی، ژاپنی، کرهای، عربی، هندی، روسی و بسیاری دیگر. مدلهای متعددی از ترکیب زبانی پشتیبانی میکنند، به این معنی که میتوانید گفتار را در زبانی تولید کنید که صدای اصلی هرگز به آن آموزش ندیدهبود. CosyVoice 2 و GPT-SoVITS در شبیهسازی صدای زبانی برتری دارند.
رابط کاربری آماده توسعهدهنده
TTS.ai را در برنامههای کاربردی خود با API REST سازگار با OpenAI ادغام کنید. یک نقطه پایانی برای همه ۲۰ مدل. پایتون، جاوااسکریپت، cURL و Go SDK. پشتیبانی از پخش برای برنامههای کاربردی زمان واقعی. پردازش دسته جمعی برای تولید محتوای در مقیاس بزرگ. Webhooks برای اطلاعرسانی غیر همگام. در برنامههای Pro و Enterprise موجود است.
پرسشهای متداول
چه چیزی میتونیم بهتر کنیم؟ بازخورد شما به ما کمک میکنه مشکلات رو حل کنیم.
شروع تبدیل متن به گفتار
به هزاران سازنده که از TTS.ai استفاده میکنند بپیوندید. با یک حساب جدید ۱۵۰۰۰ کاراکتر رایگان بگیرید. مدلهای رایگان بدون ثبت نام در دسترس هستند.