Texto a voz de IAName

Kokoro é un modelo de síntese de voz de 82 millóns de parámetros que supera con creces a súa clase de peso. A pesar do seu tamaño minúsculo, produce unha fala extraordinariamente natural e expresiva. Kokoro soporta múltiples linguas, incluíndo inglés, xaponés, chinés e coreano cunha variedade de voces expresivas. Executase incribelmente rápido, xerando son case 100 veces máis rápido que en tempo real nunha GPU.

Piper é un motor lixeiro de síntese de voz desenvolvido por Rhasspy que emprega as arquitecturas VITS e larynx. Execútase completamente na CPU, o que o fai ideal para dispositivos periféricos, automatización doméstica e aplicacións que requiran TTS sen conexión. Con máis de 100 voces en máis de 30 idiomas, Piper ofrece voz natural a velocidades en tempo real mesmo nun Raspberry Pi 4.

VITS (Variational Inference with adversarial learning for end- to- end Text- to- Speech) é un método de TTS paralelo de extremo a extremo que xera un son máis natural que os modelos actuais de dúas etapas. Adopta a inferencia variacional aumentada con fluxos normalizadores e un proceso de adestramento adversario, logrando unha mellora significativa na naturalidade.

MeloTTS de MyShell. ai é unha biblioteca de TTS multilingüe que admite inglés (americano, británico, indio, australiano), español, francés, chinés, xaponés e coreano. É extremadamente rápida, procesando o texto a unha velocidade case en tempo real só na CPU. MeloTTS está deseñado para uso en produción e admite a inferencia tanto na CPU como na GPU.

Bark de Suno é un modelo de transformación de texto en son baseado en transformadores que pode xerar fala multilingüe altamente realista, así como outros sons como música, ruído de fondo e efectos sonoros. Pode producir comunicacións non verbais como risas, suspiros e choros. Bark admite máis de 100 altofalantes predefinidos e máis de 13 idiomas.

Bark Small é unha versión destilada do modelo Bark que troca algunha calidade de son por velocidades de inferencia significativamente máis rápidas e menores requirimentos de memoria. Conserva a capacidade de Bark de xerar fala con emocións, risas e varias linguas.

CosyVoice 2 do laboratorio Tongyi de Alibaba consegue unha calidade de fala comparable á humana cunha latencia extremadamente baixa, o que o fai ideal para aplicacións en tempo real. Emprega un enfoque de cuantización escalar finita para a síntese en fluxo e admite a clonación de voz a tiro cero, síntese entre linguas e control de emocións de gran fino. Supera a moitos sistemas TTS comerciais en avaliacións subxectivas.

Dia de Nari Labs é un modelo de síntese de texto a voz de 1. 6B de parámetros deseñado especificamente para xerar diálogos de varios falantes. Pode producir conversas de son natural entre dous falantes con turnos axeitados, prosodia e expresión emocional. Dia é perfecto para crear contidos ao estilo de podcasts, diálogos de audiolibros e IA conversacional interactiva.

Parler TTS é un modelo de síntese de texto a voz que emprega descricións de voz de linguaxe natural para controlar a fala xerada. No canto de escoller entre voces predefinidas, descríbese a voz que se queira (por ex. « unha voz feminina cálida cun lixeiro acento británico, falando devagar e claramente ») e Parler xera a fala que coincida con esa descrición. Isto faino excepcionalmente flexible para aplicacións creativas.

GLM- TTS de Zhipu AI é un sistema de texto a voz construído sobre a arquitectura Llama con coincidencia de fluxo. Consegue a taxa de erro de caracteres máis baixa entre os modelos TTS de código aberto, o que significa que produce a pronunciación máis precisa. GLM- TTS admite inglés e chinés con clonación de voz a partir de mostras de son de 3- 10 segundos.

IndexTTS- 2 é un sistema avanzado de síntese de texto a voz que sobresae na síntese de voz de tiro cero co control de emocións de gran fino. Pode xerar fala con tons emocionais específicos como feliz, triste, enfadado ou asustado sen requirir datos de adestramento específicos de emocións. O modelo emprega vectores de emocións para controlar con precisión a expresión emocional da fala xerada.

Spark TTS de SparkAudio é un modelo de texto a voz que combina a clonación de voz con emocións controlábeis e estilo de fala. Usando só 5 segundos de son de referencia, pode clonar unha voz e logo xerar fala con diferentes emocións, velocidades e estilos mantendo a identidade da voz clonada. Spark TTS emprega un sistema de control baseado en mensaxes.

GPT- SoVITS combina o modelado da linguaxe ao estilo de GPT con SoVITS (Singing Voice Inference via Translation and Synthesis) para unha potente clonación de voz en poucas tomas. Con tan só 5 segundos de son de referencia, pode clonar con precisión unha voz e xerar un novo discurso preservando as características únicas do falante. Excele tanto na síntese de voz falada como cantada.

Orpheus é un modelo de síntese de voz a gran escala que consegue a expresión emocional a nivel humano. Adestrado con máis de 100. 000 horas de datos de fala diversos, sobresae na xeración de fala con emocións naturais, énfase e estilos de fala. Orpheus pode producir fala que é virtualmente indistinguible das gravacións humanas.

Chatterbox de Resemble AI é un modelo de clonaxe de voz de vangarda. Pode replicar calquera voz a partir dunha soa mostra de son cunha precisión notable, capturando non só o timbre senón tamén o estilo de fala e os matices emocionais. Chatterbox tamén conta cun control de emocións de gran fino, que lle permite axustar o ton emocional da fala xerada independentemente da identidade da voz.

O Tortoise TTS é un sistema de síntese de voz multi- voz autorregressivo que prioriza a calidade do son sobre a velocidade. Emprega unha arquitectura inspirada en DALL- E para xerar unha fala moi natural cunha excelente prosodia e semellanza co falante. Aínda que é máis lento que moitas alternativas, o Tortoise produce algunhas das falas sintéticas máis realistas dispoñíbeis no ecosistema de código aberto.

StyleTTS 2 consegue a síntese TTS a nivel humano combinando a difusión de estilos co adestramento adversario empregando grandes modelos de linguaxe de fala. Xera a fala de son máis natural entre os modelos dun só falante, rivalizando coas gravacións humanas. StyleTTS 2 emprega o modelado de estilos baseado na difusión para capturar toda a gama de variación da fala humana.

OpenVoice de MyShell. ai permite a clonación instantánea de voz cun control granular sobre o estilo de voz, emoción, acento, ritmo, pausas e entoación. Pode clonar unha voz a partir dun clip de son curto e xerar fala en varias linguas mantendo a identidade do falante. OpenVoice tamén funciona como un conversor de voz, permitindo a transformación de voz en tempo real.

Qwen3- TTS é un modelo de síntese de texto a voz de 1. 700 millóns de parámetros do equipo Qwen de Alibaba. Soporta tres modos: voces predefinidas con control de emocións (9 altofalantes), clonación de voz a partir de só 3 segundos de son, e un modo único de deseño de voz onde se describe a voz que se queira en linguaxe natural. Cobre 10 linguas con alta expresividade e prosodia natural.

O Sesame CSM (Conversational Speech Model) é un modelo de mil millóns de parámetros deseñado especificamente para xerar fala conversacional. Modela os patróns naturais da conversa humana, incluíndo o tempo de toma de turnos, as respostas de canle traseira, as reaccións emocionais e o fluxo da conversa. O CSM xera son que soa como unha conversa humana natural en vez dunha fala sintética.

Chatterbox Turbo de Resemble AI é unha actualización de 350M de parámetros de Chatterbox, que ofrece ata 6x velocidade en tempo real cunha latencia inferior a 200ms. Soporta etiquetas paralingüísticas como [laugh], [cough] e [chuckle] directamente no texto. Inclúe marcas de auga Perth en todo o son xerado para rastrexar a procedencia. Name

Zonos v0. 1 de Zyphra é un modelo de parámetros de 1. 6B con control de emocións de gran fino con controles deslizantes para a felicidade, a ira, a tristeza, o medo e a sorpresa. Ofrece tanto un transformador como unha nova variante SSM (modelo de espazo de estados). Adestrado con máis de 200K horas de fala multilingüe con clonación de voz a partir de 10- 30 segundos de son de referencia. Name

Dia2, de Nari Labs, é unha actualización de Dia, dispoñíbel en variantes de parámetros 1B e 2B. Comeza a sintetizar o son desde os primeiros tokens, o que o fai ideal para axentes de voz en tempo real e canalizacións de voz a voz. Soporta o diálogo multifalante con etiquetas [S1]/ [S2] e pistas paralingüísticas como (risos), (tose).

VoxCPM 1. 5 de OpenBMB é un novo modelo de TTS libre de tokenizador que opera en espazo continuo en vez de tokens discretos. Produce son de alta fidelidade a 44, 1 kHz, admite a clonación de voz a tiro cero de 3 a 10 segundos, e mantén a consistencia nos parágrafos. A clonación entre linguas permítelle aplicar unha voz inglesa á fala chinesa e viceversa.

OuteTTS estende grandes modelos de linguaxe con capacidades de texto- a- voz, preservando a arquitectura orixinal. Soporta múltiples infraestruturas, incluíndo llama. cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, e mesmo inferencia do navegador mediante Transformers. js. Dispón de clonación de voz de tiro cero a través de perfís de falante gardados como JSON.

TADA (Text- Acoustic Dual Alignment) de Hume AI é un modelo de TTS revolucionario que elimina as alucinacións mediante unha nova arquitectura de aliñamento dual construída sobre Llama 3. 2. Dispoñible en variantes 1B (inglés) e 3B (multilingüe), TADA consegue un RTF de 0, 09 — 5 veces máis rápido que os modelos de TTS baseados en LLM. Soporta ata 700 segundos de contexto de son e produce unha fala emocionalmente expresiva sen alucinacións en probas estándar.

VibeVoice de Microsoft vén en dúas variantes: un modelo 1. 5B para contidos longos (ata 90 minutos, 4 altofalantes) e un modelo Realtime 0. 5B para transmisión con ~200 ms de latencia do primeiro son. A variante 1. 5B sobresae en podcasts e audiolibros coa consistencia do falante en pasaxes longas. Nota: Microsoft eliminou o código TTS do repositorio e o son xerado inclúe renuncias audibles de IA.

Pocket TTS de Kyutai (creadores de Moshi) é un modelo de síntese de voz de 100M de parámetros que é moito máis potente que o seu peso. Executase eficientemente na CPU, admite a clonación de voz sen disparos a partir dunha soa mostra de son e produce unha voz de son natural. O tamaño pequeno do modelo faino ideal para o despliegue de perímetro e ambientes con poucos recursos.

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.

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.