एआई पाठ से वार्ताName
खोलने-source एआई मॉडलों के साथ स्वाभाविक पाठ में बदलें. बिना किसी खाता को प्रयोग करने के लिए मुक्त, कोई खाता आवश्यक नहीं.
अस्थायी नियंत्रण के लिए एसएसएमएल टैग में अपने पाठ को लपेटें:
<speak><prosody rate="slow">Slow speech</prosody></speak>
प्रभाव के लिए भावना चिह्न जोड़ें (अनाइव समर्थन अलग- अलग):
मनपसंद उच्चारण पारिभाषित करें (नाम = उच्चारण):
मॉडल विवरण
Kitten TTS
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.
| डेवलेपर: | KittenML |
| लाइसेंस: | Apache 2.0 |
| गति | Fast |
| विशेषताः | |
| भाषाएँ | 1 भाषा |
| वीरैम | 0GB |
| आवाज कोलोन | समर्थित नहीं |
अच्छे नतीजे पाने के लिए सुझाव
- मौसम के हिसाब से अलग - अलग तरीके इस्तेमाल करें
- सुस्पष्ट उच्चारण के लिए वर्तनी की संख्या तथा संक्षिप्त शब्दों को छोटा करें
- वाक्यांशों के बीच छोटा ठहराव बनाने के लिए विरामचिह्न जोड़ें
- दीर्घवृत का प्रयोग करें (...)
- सबसे प्राकृतिक परिणामों के लिए कोकोरो या कोसFestivalVoiceName
- मल्टी- स्पेसर संवाद तथा पोवरे सामग्री के लिए जाँच उपयोग करें
अक्षर उपयोग
| टीयर | लागत प्रति 1K अक्षर |
|---|---|
| मुक्त | 0 श्रेय (अनुप्रयोगित) |
| मानक | क्या आप जानते हैं कि परमेश्वर के वचन का सही - सही ज्ञान लेने में क्या शामिल है? |
| प्रीमियम | यहोवा के साक्षियों के शासी निकाय के सदस्य, 4 / 15 |
एआई पाठ को बोलने के लिए कैसे काम करता है
तीन सरल चरणों में पेशेवर आवाजों का निर्माण करें. कोई तकनीकी ज्ञान जरूरी नहीं है.
अपना पाठ दाखिल करें
टाइप करें, चिपकाएं या पाठ अपलोड करें जिसे आप बोलना चाहते हैं. लॉग किए गए उपयोक्ताओं के लिए प्रति ५,००० अक्षरों को समर्थित करता है. सादा पाठ या एसएमएल टैग इस्तेमाल करें जो विस्तृत नियंत्रण के लिए विकसित किया जा सकता है.
मॉडल आवाज चुनें (V)
तीन+ एआई मॉडलों के पार से चुनें. आपकी सामग्री से मेल खाती है कि एक आवाज चुनें, अपने लक्ष्य भाषा चुनें, 0. 5x से लेकर 2.5x तक की गति समायोजित करें, और अपने पसंदीदा आउटपुट फॉर्मेट को चुनें (एमपी3, DAC).
डाउनलोड बनाएँ (D)
क्लिक करें तथा आपका ऑडियो जन्म सेकण्ड में तैयार है. पूरे खिलाड़ी के साथ पूर्वावलोकन डाउनलोड करें, आपके चुने गए फ़ॉर्मेट में डाउनलोड करें या एक साझेदारी लिंक की नक़ल करें. अलग अलग होने के लिए एपीआई प्रयोग करें.
पाठ से वार्ता इस्तेमाल करें केस
एआई-से- वार्ता पाठ-से- वार्ता परिवर्तित कर रही है कि लोग कैसे बनाते हैं, खा सकते हैं, और दर्जनों उद्योगों पर ऑडियो सामग्री के साथ व्यवहार करते हैं.
सभी पाठ से मॉडलों को बोलने के लिए
प्रत्येक एआई मॉडल के लिए विस्तृत विशेषताएँ TTS.ai पर उपलब्ध हैं. गुणवत्ता, गति, भाषा समर्थन, और विशेषताएँ अपनी परियोजना के लिए परिपूर्ण मॉडल को खोजने के लिए।
Kokoro
Free
कोकोरो एक 82 लाख पैरामीटरी मॉडल है जो अपने वजन वर्ग के ऊपर बहुत ही अच्छे से पंच करता है. इसके छोटे आकार के बावजूद, यह बहुत ही प्राकृतिक और आकर्षक भाषा उत्पन्न करता है. कोकोरो अनेक भाषाओं में अंग्रेज़ी, जापानी, चीनी, और कोरियाई विविध प्रकार की ध्वनि के साथ. यह उल्लेखनीय रूप से ध्वनि को लगभग 100xx से अधिक तेजी से तैयार करता है.
Hexgrad
Apache 2.0
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
1.5GB
नहीं
मुक्त
Piper
Free
पाइपर एक हल्का पाठ-से- वार्ता इंजन है जो Rssscsee और lunnnnns का उपयोग करता है। यह पूरी तरह से सीपीयू पर दौड़ता है, किनारे उपकरणों के लिए आदर्श बना, घर के उपकरण, और अनुप्रयोग के लिए की जरूरत। 30+Ces के साथ, पाइप scenter वास्तव में ध्वनि s पर प्राकृतिक ध्वनि sonphronting।
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)
नहीं
मुक्त
VITS
Free
MEGTS (अवर्थरकार के लिए एक अंत-से- वार्ता पाठ-से- वार्ता) सीखने के लिए एक समानांतर अंत-T-TC-TC-टी तरीका है जो मौजूदा दो मंच मॉडलों से अधिक प्राकृतिक ध्वनि बनाता है। यह सामान्य प्रवाह और एक मौजूदा प्रवाह और एक स्वाभाविक विकास, विकसित करने के लिए एक महत्वपूर्ण प्रक्रिया बनाता है।
Jaehyeon Kim et al.
MIT
Fast
en, zh, ja, ko
1GB
नहीं
मुक्त
MeloTTS
Free
Mint. oo एक अलग ही भाषा, ब्रिटिश, भारतीय, फ्रेंच, फ्रेंच, चीनी, जापानी, और कोरियाई समर्थन करती है. यह बहुत ही तेजी से सीपीयू पर सामग्री प्रयोग करने के लिए बनाया गया है. Mercut और दोनों सीपीयूों का उपयोग करने के लिए बनाया जाता है और वे दोनों के लिए उपयोग करने के लिए प्रयोग करने के लिए प्रयोग किया जाता है.
MyShell.ai
MIT
Fast
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
नहीं
मुक्त
Bark
Standard
सूर्यो द्वारा बदली गई पाठ- आधारित मॉडल है जो कि बहुत ही यथार्थवादी, भाषा तथा अन्य ऑडियो संगीत, पृष्ठभूमि, शोर, और ध्वनि प्रभाव उत्पन्न कर सकता है. यह हंसना, सांस लेना, और रोनी के समान अस्वीय संचार उत्पन्न कर सकता है. बार बार-cents और 13+5 से अधिक भाषाओं का समर्थन करता है.
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
नहीं
2x
Bark Small
Standard
बारके मॉडल का छोटा संस्करण है कि कुछ ऑडियो गुणवत्ता का व्यापार बहुत तेजी से तेजी से और कम स्मृति माँगों के लिए। यह बारक की क्षमता को बनाए रखता है भावनाओं, हँसी, और अनेक भाषाओं के साथ बातचीत करने की क्षमता।
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
नहीं
2x
CosyVoice 2
Standard
Cassy Cialalli के लिए 2 Cargib द्वारा मानव- प्राकृतिक गुणवत्ता प्राप्त करता है, यह वास्तव में देर - समय अनुप्रयोगों के लिए आदर्श बनाने के लिए। यह धारा के लिए एक multacing के लिए जा रहा है और शून्य से विपरीत आवाज, क्रूस, बढ़िया भावना। यह व्यापार व्यवस्थाओं को नियंत्रित करता है।
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
4GB
हाँ
2x
Dia TTS
Standard
Nababa द्वारा arbs पाठ-से- वार्ता मॉडल विशेष रूप से बहु- वार्ता संवाद बनाने के लिए बनाया गया है. यह दो स्पीकरों के बीच स्वाभाविक बातचीत उत्पन्न कर सकता है सही बारी बारी लेने, प्रोक्शन, और मानसिक भाव के साथ. डायलॉग सही ढंग से पैदा करने के लिए सिद्ध है, ऑडियोबुक, ऑडियोबुक, ऑडियोबुक, और दिलचस्प बातचीत.
Nari Labs
Apache 2.0
Medium
en
4GB
नहीं
2x
Parler TTS
Standard
पारलर TTECT एक पाठ मॉडल है जो उत्पन्न की भाषा वर्णन को नियंत्रित करने के लिए प्रयोग करता है. पूर्व ध्वनि से चुनने के बजाय, आप आवाज़ का वर्णन करते हैं आप चाहते हैं (जैसे, "एक गर्म महिला आवाज) के साथ कम से कम ब्रिटिश व स्पष्ट रूप से बोलते हुए, और परलर वर्णन करता है कि यह विशिष्ट भाषा के लिए अद्वितीय कार्यक्रम बनाता है. यह अद्भुत रूप से शुद्ध है.
Hugging Face
Apache 2.0
Medium
en
4GB
नहीं
2x
GLM-TTS
Standard
Zuuuua द्वारा बनाया गया पाठ-से- वार्ता सिस्टम है जो मेल के साथ मेल खाती है. यह खुला स्रोत टीएस मॉडल के बीच कम से कम चरित्र की दर प्राप्त करता है, जिसका अर्थ है सबसे सही उच्चारण. GL-ट-ट-ट-ट-ट-ट-ट-टफ़्स और चीनी का समर्थन 310 के अन्य ऑडियो नमूने से करता है.
Zhipu AI
GLM-4 License
Medium
en, zh
4GB
हाँ
2x
IndexTTS-2
Standard
इंडेक्सटीएस 2 एक उन्नत पाठ-से- वार्ता सिस्टम है जो शून्य से कम आवाजी पर ठीक भावना नियंत्रण के साथ धीमी आवाज़. यह खुश, दुखी स्वरों के साथ बात की जा सकती है, क्रोध, या डर के बिना भावना के. आदर्श भावना का प्रयोग करता है शब्दों के भाव को नियंत्रित करने के लिए.
Index Team
Bilibili Model License
Medium
en, zh
4GB
हाँ
2x
Spark TTS
Standard
स्प्लोक ऑडियोब्स द्वारा एक पाठ- से- वार्ता मॉडल है जो नियंत्रणशील भावनाओं और शैली से जोड़ता है. ऑडियो के बस 5 सेकंड का प्रयोग किया जा सकता है, यह एक आवाज का प्रयोग कर सकता है और फिर विभिन्न भावनाओं, गति, और शैली के साथ बात कर सकता है जब क्लोन की पहचान क़ायम है. scentcentcenti-s एक पाठ- से- वार्ता सिस्टम का प्रयोग करता है.
SparkAudio
CC BY-NC-SA 4.0
Medium
en, zh
4GB
हाँ
2x
GPT-SoVITS
Standard
GEEGEGS GEGES GEGEGEGEGEGEEGEEGEGEGEGEEGEGEGEGEGEGEGEGEGEGEGEGEGEGEGEGEGEGEGENTEEEEEEGENTEGEGEGEGEGEGENTEGEGENTEN (ग्द्वेषण और प्रभावी आवाज और प्रभावी आवाजों के लिए आवाज के लिए आवाज और आवाज के माध्यम से आवाज के लिए आवाज के लिए आवाज के रूप में उपयोग कर रहा है।
RVC-Boss
MIT
Slow
en, zh, ja, ko
6GB
हाँ
2x
Orpheus
Standard
ओर्टुस एक बड़े स्केल पाठ मॉडल है जो मानव स्तरीय मानसिक अभिव्यक्ति प्राप्त करता है. विविध भाषा डेटा के १,००,००० घंटे पर प्रशिक्षित, यह प्राकृतिक भावनाओं, ज़ोर देकर बोलने और बोलने में असमर्थ है. याफीस कि आम रूप से मानव रिकॉर्डिंग से बात कर सकते हैं.
Canopy Labs
Llama 3.2 Community
Medium
en
4GB
नहीं
2x
Chatterbox
Premium
Ragogogden-अंत्र से एक चीरी शून्य मॉडल है. यह एक एकल ध्वनि नमूना से किसी भी ध्वनि नमूना को फिर से स्थापित कर सकते हैं उल्लेखनीय यथार्थता के साथ, न सिर्फ tammoline, बल्कि बात की शैली और मानसिकता भी. चैट बॉक्स में अच्छी भावना नियंत्रण रखने की अनुमति देता है, आप से पैदा की भावना की भावना को विशिष्ट करने के लिए अनुमति देता है.
Resemble AI
MIT
Medium
en
4GB
हाँ
4x
Tortoise TTS
Premium
TARTT एक स्वचालित बहु- ईमानवाले पाठ - से- वार्ता प्रणाली है जो कि ध्वनि गुणवत्ता से पहले ध्वनि गुणवत्ता का उपयोग करता है। यह DAEC-EC-EC- pree-Conn-Con बनावट का उपयोग करता है बेहतरीन जांच और स्पीकरों के साथ अति प्राकृतिक भाषा उत्पन्न करने के लिए। जबकि अनेक विकल्पों से धीमी है, COMONARERTCon, CONTCon, CONTConTCARTAC के कुछ सटीक भाषा को son, CONTACANACARTACANANATANANAS में उपलब्ध भाषा का उपयोग करने के लिए करता है।
James Betker
Apache 2.0
Slow
en
8GB
हाँ
4x
StyleTTS 2
Premium
स्टाइलटीएस 2 मानव स्तर की शैली का उपयोग करने वाले शैली के द्वारा मानव स्तर Tother Taseconconsyyyyyying बड़ी भाषा मॉडलों का उपयोग करने के द्वारा प्राप्त करता है। यह एक ही स्वर मॉडल के बीच सबसे स्वाभाविक भाषण बनाता है, विरोधी मानव रिकॉर्डिंग।
Columbia University
MIT
Medium
en
4GB
नहीं
4x
OpenVoice
Premium
मेरी हेलेल द्वारा तत्काल आवाज कंट्रोल के साथ शुरू करता है आवाज शैली, भावना, स्वर, स्वर, स्वर, गति, गति, मापन, इत्यादि. यह एक छोटी सी ऑडियो क्लिप से ध्वनि क्लिप और भाषा में भाषण बनाता है जबकि वक्ता पहचान बनाए रखते हैं. एक आवाज परिवर्तन के रूप में भी खोलें कार्य, वास्तविक समय बदलने की अनुमति देता है.
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
4GB
हाँ
4x
Qwen3 TTS
Standard
Qdn3-टी3 केटीटीएस एक 1.7 अरब पैरामीटर मॉडल है Aligal'C की टीम से. यह तीन मोड के साथ ध्वनि समर्थन करता है: भावनाओं नियंत्रण के सिर्फ 3 सेकंड, ऑडियो के सिर्फ 3 सेकंडों से आवाज, और एक अद्वितीय आवाज मोड जहां आप स्वाभाविक भाषा में चाहते हैं. यह 10 उच्च भाषा में उच्च भाषा और स्वाभाविक भाषा में उच्च भाषा के साथ पैक करता है.
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
हाँ
2x
Sesame CSM
Premium
SEANTCAN (बात मॉडल) एक 1 अरब पैरामीटर विशेष रूप से वार्तालाप करने के लिए बनाया गया है। यह मानव वार्तालाप के प्राकृतिक पैटर्न हैं जिसमें समय पर परिवर्तन करने, वापस प्रतिक्रियाओं, भावात्मक प्रतिक्रिया, और वार्तालाप प्रवाह शामिल हैं। CACACACAN (CACACACAC मॉडल) के बजाय प्राकृतिक वार्तालाप की ध्वनि बनाता है।
Sesame
Apache 2.0
Slow
en
8GB
नहीं
4x
Kitten TTS
Free
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
en
0GB
नहीं
मुक्त
Kokoro
मुक्त
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
मुक्त
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
मुक्त
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
मुक्त
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
Kitten TTS
मुक्त
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
मानक
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
नहीं
Bark Small
मानक
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
नहीं
CosyVoice 2
मानक
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
हाँ
Dia TTS
मानक
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
नहीं
Parler TTS
मानक
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
नहीं
GLM-TTS
मानक
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
हाँ
IndexTTS-2
मानक
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
हाँ
Spark TTS
मानक
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
हाँ
GPT-SoVITS
मानक
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
हाँ
Orpheus
मानक
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
नहीं
Qwen3 TTS
मानक
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
हाँ
Chatterbox
प्रीमियम
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
हाँ
4GB
4x
Tortoise TTS
प्रीमियम
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
हाँ
8GB
4x
StyleTTS 2
प्रीमियम
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
नहीं
4GB
4x
OpenVoice
प्रीमियम
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
हाँ
4GB
4x
Sesame CSM
प्रीमियम
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
नहीं
8GB
4x
मॉडल तुलना तालिका
| मॉडल | डेवलेपर: | टीयर | विशेषताः | गति | भाषाएँ | आवाज कोलोन | वीरैम | लाइसेंस: | श्रेय | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | मुक्त | प्रयोक्ता | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | मुक्त | प्रयोक्ता | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | मुक्त | प्रयोक्ता | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | मुक्त | प्रयोक्ता | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | प्रयोक्ता | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | प्रयोक्ता | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | प्रयोक्ता | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | प्रयोक्ता | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | प्रयोक्ता | ||
| GLM-TTS | Zhipu AI | Standard | Medium | 2 | 4GB | GLM-4 License | 2 | प्रयोक्ता | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Bilibili Model License | 2 | प्रयोक्ता | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | प्रयोक्ता | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | प्रयोक्ता | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | प्रयोक्ता | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | प्रयोक्ता | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | प्रयोक्ता | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | प्रयोक्ता | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | प्रयोक्ता | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | प्रयोक्ता | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | प्रयोक्ता | ||
| Kitten TTS | KittenML | Free | Fast | 1 | 0GB | Apache 2.0 | मुक्त | प्रयोक्ता |
अधिकांश रीग्रेसिव एआई पाठ को बोलने के लिए सक्षम करेंGenericName
Why Choose TTS.ai for Text to Speech?
TTS.ai एक साथ दुनिया लाता है
प्रत्येक मॉडल एमटी के तहत, 2.0, या समान विजुअल लाइसेंस के तहत, निश्चित रूप से आप अपने परियोजना में उत्पन्न ऑडियो का उपयोग करने के लिए पूरा व्यावसायिक अधिकार है. क्या आप को तेजी से, वास्तव में समय के अनुप्रयोगों के लिए या प्रीपॉटेट आउटपुट की आवश्यकता है ऑडियोबुक और ट्रेप के लिए, TTS.ai सही मॉडल है हर मामले के लिए हर मामले का उपयोग करने के लिए.
फ्री मॉडल, कोई खाता आवश्यक नहीं
तीन मुफ्त मॉडलों के साथ तुरंत शुरू हो जाओ: पाइपर (प्रयोगात्मक, लाल, लाल, scloc), और Mclocs (moconti-mon). कोई साइन अप कार्ड नहीं है, कोई भी क्रेडिट कार्ड, पीढ़ियों पर कोई सीमा नहीं. मुक्त मॉडलों का समर्थन और अन्य कई अन्य भाषाओं के लिए उपयुक्त अनुप्रयोग.
Gपिपिपी- एज्केनेटेड प्रक्रिया
सभी TTS मॉडल तेज करने के लिए तैयार NVIDAGEAGERAGE के लिए चलाने पर चल रहे हैं। मुक्त मॉडल आमतौर पर 2 सेकंड में ऑडियो बनाता है। कोकोरोरो, और बार बार औसत 3-5 सेकंड। प्रधान मॉडल जो सबसे अधिक गुणवत्ता और चैट बॉक्स के साथ, जैसे कि Buecute और चैट बॉक्स में, 5 सेकंड के पाठ पर निर्भर करता है।
30+ भाषा समर्थित
30 से अधिक भाषाओं में अंग्रेज़ी, फ्रेंच, फ्रांसीसी, पुर्तगाली, पुर्तगाली, पुर्तगाली, जापानी, जापानी, रूसी, रूसी, रूसी, रूसी, और कई अन्य. बहुत से आदर्श क्रॉस समर्थन, मतलब आप एक भाषा में बोली पैदा कर सकते हैं जो मूल आवाज में कभी नहीं सीखा गया था. कोरस्टी 2 और जी.
डेवलपर पढ़ें
Integrate TTS.ai into your applications with our OpenAI-compatible REST API. One endpoint for all 20+ models. Python, JavaScript, cURL, and Go SDKs. Streaming support for real-time applications. Batch processing for large-scale content generation. Webhooks for async notifications. Available on Pro and Enterprise plans.
बार बार पूछे जाने वाले प्रश्न
क्या हम सुधार कर सकते हैं?
पाठ को बोलने से अब प्रारंभ करें
TTS.ai का उपयोग कर बनाने में शामिल हों. नए खाता के साथ 15 मुक्त श्रेय प्राप्त करें. बिना हस्ताक्षर के मुफ्त मॉडल उपलब्ध हैं.