טקסט אל דיבור

קוקורו הוא מודל של 82 מיליון פרמטרים של טקסט-to-speech שפוגשים הרבה מעל מעמד המשקל שלו. למרות גודלו הזעיר, הוא מייצר דיבור טבעי ומבטא להפליא. קוקורו תומך במספר שפות כולל אנגלית, יפנית, סינית וקוריאנית עם מגוון רב של קולות אקספרסיביים. הוא פועל במהירות רבה מאוד מהר יותר מ- 100x בזמן אמת על GPU.

פייפר היא מנוע טקסט לדיבור קל שפותחה על ידי Rhaspy המשתמש ב- VITS ובארכיטקטורות של Larynx. היא פועלת באופן מלא על מעבד, מה שהופך אותו לאידיאלי למכשירי קצה, אוטומציה ביתית, ויישומים הדורשים TTS מקוון. עם יותר מ-100 קולות לאורך 30+ שפות, פייפר מעבירה נאום צליל טבעי במהירויות בזמן אמת אפילו על פטל פי 4.

VITS (Variational Inference with adversarial learning for end-to-end text to-Speech) היא שיטה מקבילה של TTS שיוצרת קול טבעי יותר מאשר מודלים עכשוויים של שני שלבים.

Melotts by My Shell.ai היא ספריית TTS רב-לשונית התומכת באנגלית (באנגלית: American, British, Indian, Australian), ספרדית, סינית, יפנית וקוריאנית.

Bark by Suno הוא מודל של טקסט-audio המבוסס על שנאי שיכול ליצור דיבור ריאליסטי מאוד, רב לשוני כמו גם קול אחר כמו מוזיקה, רעש רקע והשפעות קול. הוא יכול לייצר תקשורת לא-מילולית כמו צחוק, אנחות ובכי. נביחה תומכת ביותר מ-100 רמקולים ו-13 שפות.

Bark Small (באנגלית: Bark Small) היא גירסה מזוקקת של מודל הבארק המסחרת באיכות שמע מסוימת עבור מהירויות מהירות משמעותית ודרישות זיכרון נמוכות יותר, והיא שומרת על היכולת של ברק ליצור דיבור עם רגשות, צחוק ושפות מרובות.

Cosy Voice 2 by Alibababa's Tongyi Lab Abrary accesss a finite scalear containation for synthing and supports zero-shot voice throught, cross-longual for return-time.

Dia by Nari Labs הוא מודל של 1.6B של טקסט-to-speech שתוכנן במיוחד ליצירת דיאלוג רב-רמקולי. הוא יכול ליצור שיחות טבעיות בין שני נואמים עם שימוש הולם בטקסט-to-speech, Prosody, וביטוי רגשי.

Parler TTS (ראשי תיבות של Parler TTS) הוא מודל של טקסט לשפה טבעית, המשתמש בתיאורי קול כדי לשלוט בנאום שנוצר. במקום לבחור מתוך קולות מראש, אתה מתאר את הקול שאתה רוצה (לדוגמה, "קול נשי חם עם מבטא בריטי קל, מדבר לאט ובבירור") ופארלר יוצר דיבור שמתאים לתיאור זה.

GLM-TS על ידי Zhipu AI היא מערכת של טקסט ל-speech הבנויה על אדריכלות ה-Llama עם התאמת זרימה. היא משיגה את שיעור השגיאה הנמוך ביותר בין דגמי TTS בקוד פתוח, כלומר היא מייצרת את ההגייה המדויקת ביותר. GLM-TS תומכת באנגלית ובסינית עם שיבוט קול מ-3-10 דגימות שמע שניות.

אינדקס TTS-2 (באנגלית: IndexTS-2) היא מערכת מתקדמת של טקסט-to-speech המצטיינת בסינתזה קול אפס-shot עם בקרת רגשות עדינה.

Spark TTS by SparkAudio (ראשי תיבות של SparkAudio) הוא מודל של טקסט לנאום המשלב שיבוט קולי עם רגש בר שליטה וסגנון דיבור. באמצעות 5 שניות של שמע הפניה, הוא יכול לשבט קול ואז ליצור דיבור עם רגשות שונים, מהירות וסגנונות תוך שמירה על זהות הקול המשובטת.

GPT-SOVITS משלבת דוגמנות שפה בסגנון GPT עם SOVITS (ההסכמה קולית בשירה באמצעות תרגום וסינתזה) לשיבוט קולי רב עוצמה. עם פחות מ-5 שניות של הפניה אודיו, היא יכולה לשכפל במדויק קול וליצור נאום חדש תוך שימור המאפיינים הייחודיים של הדובר. היא מצטיינת גם בשיחת קול ושירה.

אורפיאוס הוא מודל גדול של טקסט לנאום אשר משיג ביטוי רגשי ברמה אנושית. מאולף ביותר מ-100,000 שעות של נתוני דיבור שונים, הוא מצטיין ביצירת דיבור עם רגשות טבעיים, הדגשה, וסגנונות דיבור.

Chatterbox על ידי Rescomple AI הוא מודל שכפול קולי חדיש ביותר. הוא יכול לשכפל כל קול מדגימת שמע אחת עם דיוק מדהים, לכידת הטון הרגשי של הדיבור, אך גם את סגנון הדיבור ואת הניואנסים הרגשיים. צ'אטרבוקס גם מכיל בקרת רגשות עדינה, המאפשרת לך להתאים את הטון הרגשי של הדיבור באופן עצמאי מהזהות הקולית.

Tortoise TTS (ראשי תיבות של TOTS) היא ארכיטקטורה אוטוגרסיבית של טקסט-to-speech של טקסט קולי המעדיפה את איכות האודיו על פני מהירות.

סגנון TTS 2 משיג את הסינתזה של רמת TTS על ידי שילוב של דיפוזיה בסגנון adversarial translation with adversational adverseal speak modules. הוא יוצר את הנאום הטבעי ביותר בין מודלים של דובר יחיד, מתחרה בהקלטות אנושיות. סגנון TTS 2 משתמש בעיצוב מבוסס דיפוזיה כדי ללכוד את הטווח המלא של וריאציה של דיבור אנושי.

Open Voice by My Shell.ai מאפשר שיבוט קול מיידי עם שליטה גרעינית על סגנון קול, רגש, מבטא, קצב, הפסקות, ואינטציה. הוא יכול לשבט קול מקליפ אודיו קצר וליצור דיבור בשפות מרובות תוך שמירה על זהות הדובר. Open Voice גם מתפקד כממיר קול, המאפשר שינוי קול בזמן אמת.

Qwen3-TTS הוא מודל של 1.7 מיליארד פרמטרים של טקסט-to-speech מצוות קוואן של עליבאבא. הוא תומך בשלושה מצבים: קובע קולות עם שליטה ברגשות (9 נואמים), שיבוט קול מ-3 שניות בלבד של שמע, ומצב עיצוב קול ייחודי שבו אתה מתאר את הקול שאתה רוצה בשפה טבעית. הוא מכסה 10 שפות עם הבעה גבוהה ופרוסודיה טבעית.

שומשום (באנגלית: Sesame CSM) הוא דגם של מיליארד פרמטרים המיועדים ליצירת דיבור שיחתי, המדגמים את התבניות הטבעיות של השיחה האנושית, הכוללות עיתוי חוזר, תגובות רקע, תגובות רגשיות וזרימת שיחה.

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.