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.

Chatterbox Torbody by Rescomple AI הוא שדרוג פרמטר 350M לצ'אטרבוקס (Chatterbox), המספק מהירות של עד 6X בזמן אמת עם תת-מ"מ. הוא תומך בתגיות פרלינגואיסטיות כמו (Laugh), [צ'אקל] ישירות בטקסט.

Zonos v0.1 by Zyphra הוא מודל פרמטר 1.6B המכיל בקרת רגשות משוכללת עם מחוונים לאושר, כעס, עצבות, פחד והפתעה.

Dia2 על ידי Nari Labs הוא שדרוג ראשוני ל-Dia, זמין ב- 1B ו-2B פרמטר וריאציות. הוא מתחיל לסנתז אודיו מהסימונים הראשונים, מה שהופך אותו לאידיאלי עבור סוכני קול בזמן אמת וצינורות דיבור-to-speech. תומך בדיאלוג רב-רמקולי עם [S1] ו-S2] תוויות פארלינגואיסטיות כמו (צוחק), (שיעול).

VoxCPM 1.5 על ידי OpenBMB הוא מודל tTS נטול אסימונים חדשני הפועל בחלל ולא בפרוטרוט אסימונים שונים. הוא מייצר פרופיל גבוה של 44.1kHz אודיו, תומך בשיבוט קול אפס-ירייה מ-3-10 שניות, ושומר על עקביות על פני פסקאות. שיבוט צלב-שפה מאפשר לך ליישם קול אנגלי לדיבור סיני ולהיפך.

OutetTS מרחיב מודלים שפה גדולים עם יכולות טקסט-to-speech תוך שימור הארכיטקטורה המקורית. היא תומכת בכמה כיוונים כולל לאמה.cpp (CPU/GPU), מחבקת את רובוטריקי הפנים, ExLamaV2, VLM, ואפילו דפדפן הקלט באמצעות רובוטריקים.

TADA (באנגלית: Text-Acoustic Dual Iestment) הוא מודל TTS המבטל הזיות באמצעות ארכיטקטורת יישור כפולה שנבנתה על ידי Llama 3.2, אשר זמינה ב-1B (אנגלית) ו-3B (מודליגת TTS), TADA משיגה RTF של 0.09 5X מהיר יותר מאשר מודלים מבוססי LLM.

Vibe Voice by Microsoft מגיע בשני גרסאות: מודל 1.5B לתכנים ארוכי-צורה (עד 90 דקות, 4 רמקולים) ודגם Realtime 0.5B להזרמה עם &200ms first loud latncy. ה-1.5B variant מצטיינים בפודקאסטים וספרי שמע עם עקביות רמקולים על מעברים ארוכים. שים לב: מיקרוסופט הסיר את קוד TTS מהמאגר ויצר אודיו כולל AI discludioers.

Pocket TTS by Kyutai (באנגלית: Pocket TTS by Kyutai) הוא דגם של 100 מ' של טקסט ל-speech, אשר פונקציות רבות מעל משקלו, הוא פועל ביעילות על מעבד, תומך בשיבוט קול אפס-ירייה מדגימת אודיו בודדת, ומייצר נאום בעל צליל טבעי.

Kitten TTS על ידי KittenML הוא מודל בעל משקל קל במיוחד של טקסט לנאום שנבנה על גבי ONNX. עם גרסאות מ-15M ל-80M פרמטרים (25-80 MB על דיסק), הוא מספק סינתזת קול באיכות גבוהה על מעבד ללא צורך במעבד GPU. Features 8 מובנה-in, מהירות דיבור מתכווננת, ועיבוד טקסט מובנה למספרים, קימורים, ויחידות.

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.