AI Text to SpeechName

Kokoro se yon 82 milyon paramèt tèks-a-parole modèl ki punches byen pi wo pase klas pwa li. Pandan ke gwosè li ti, li pwodwi pale remarkabman natirèl ak ekspresif. Kokoro sipòte plizyè lang ki gen ladan angle, Japonè, Chinwa, ak Koreyen ak yon varyete de vwa ekspresif. Li kouri incredibly vit — jenere son prèske 100x pi vit pase tan reyèl sou yon GPU.

Piper se yon motè tèks-a-parole limyè devlope pa Rhasspy ki itilize VITS ak larynx achitekti. Li kouri konplètman sou CPU, ki fè li ideyal pou aparèy edge, automatisation kay, ak aplikasyon ki mande TTS offline. Avèk plis pase 100 vwa nan plis pase 30 lang, Piper bay pale son natirèl nan vitès tan reyèl menm sou yon Raspberry Pi 4.

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) se yon metòd TTS paralèl bout-a-bòd ki kreye yon son ki pi natirèl pase modèl aktyèl ki baze sou de etap. Li adopte inférence variational ki ogmante ak koule normalisation ak yon pwosesis antrenman adversarial, rive jwenn yon amelyorasyon siyifikatif nan natiralizasyon.

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.

Bark pa Suno se yon modèl tèks-a-son ki baze sou transformateur ki ka jenere pale trè reyèl, multi-lang kòm byen ke lòt son tankou mizik, bri fon, ak efè son. Li ka pwodwi kominikasyon nonverbal tankou ri, souf, ak plezi. Bark sipòte plis pase 100 preset oratè ak 13 + lang.

Bark Small se yon vèsyon distilasyon nan modèl Bark ki echanj kèk bon jan kalite son pou vitès infèrans ki pi vit ak kondisyon memwa ki pi ba.Li rete kapasite Bark a pou jenere pale ak emosyon, ri, ak plizyè lang.

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 quantification 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.

Dia pa Nari Labs se yon 1.6B paramèt tèks-a-parole modèl ki fèt espesyalman pou jenere dyalòg multi-pale. Li ka pwodwi konvèsasyon son natirèl ant de pale ak approprié turn-taking, prosody, ak ekspresyon emosyonèl. Dia se pafè pou kreye kontni podcast-estil, dyalòg audiobook, ak konvèsasyon entèaktif AI.

Parler TTS se yon modèl tèks-a-vokal ki sèvi ak dekriman vwa lang natif natal pou kontwole vwa ki pwodwi a. An plas pou chwazi soti nan vwa presegondè, ou dekri vwa ou vle a (e. g., "yon vwa fanm cho ak yon ti aksan Britanik, ki pale byen vit ak klèman") epi Parler jenere vwa ki sanble ak dekriman sa a. Sa fè li inikman fleksib pou aplikasyon kreyatif.

GLM-TTS pa Zhipu AI se yon sistèm tèks-a-parole ki bati sou achitekti Llama ak matche ak koule. Li rive nan pi ba pousantaj erè karaktè nan mitan modèl TTS ki gen sous louvri, sa vle di li pwodwi prononsyasyon ki pi egzat. GLM-TTS sipòte angle ak Chinwa ak klonaj vwa soti nan 3-10 dezyèm echantiyon son.

IndexTTS-2 se yon sistèm avanse tèks-a-parole ki ekselan nan sintèz vwa zero-shot ak kontwòl emosyon fine-grained. Li ka jenere pale ak ton emosyonèl espesifik tankou kè kontan, trist, kole, oswa terib san yo pa mande done fòmasyon emosyonèl espesifik. Modèl la itilize vektè emosyonèl pou kontwole egzakteman ekspresyon emosyonèl nan pale jenere.

Spark TTS pa SparkAudio se yon modèl tèks-a-parole ki konbine klonaj vwa ak efè ki ka kontwole ak style pale. Avèk jis 5 segonn nan son referans, li ka klone yon vwa epi Lè sa a, jenere pale ak diferan efè, vitès, ak style pandan y ap kenbe idantite vwa klone. Spark TTS itilize yon sistèm kontwòl ki baze sou pwompt.

GPT-SoVITS konbine modélisation langaj GPT-style ak SoVITS (Singing Voice Inference via Translation and Synthesis) pou yon klonaj voyifikatif. Avèk sèlman 5 segonn son referans, li kapab klone yon voyi ak presizyon epi jenere yon nouvo pale pandan l ap kenbe karakteristik unike pale a.

Orpheus se yon modèl tèks-a-parole gwo-echèl ki rive jwenn ekspresyon emosyonèl nan nivo moun. Trete sou plis pase 100,000 èdtan nan done pale divès, li ekselans nan jenerasyon pale ak emosyon natirèl, enpak, ak style pale. Orpheus ka pwodwi pale ki se prèske indistinguishable de enregistrements moun.

Chatterbox by Resemble AI se yon modèl klonaj vwa ki pi avanse. Li kapab replike nenpòt vwa soti nan yon echantiyon odyo sèl ak yon presizyon resanblans, kaptive pa sèlman timbre men tou style pale ak nuans emosyonèl. Chatterbox gen tou kontwòl emosyonèl fin-grained, ki pèmèt ou ajiste ton emosyonèl nan pale jenere endepandan de idantite vwa.

Tortoise TTS se yon sistèm tèks-a-parole multi-vokal autoregressif ki bay priyorite a bon jan kalite odyo sou vitès. Li itilize DALL-E-inspired achitekti pou jenere pale trè natirèl ak ekselan prosody ak pale similitude. Pandan ke pi lejè pase anpil altènativ, Tortoise pwodwi kèk nan pale sintèz ki pi reyèl disponib nan open-source ekosistem.

StyleTTS 2 reyalize TTS sentez nivo moun pa konbine difizyon estil ak antrenè kontwovèsyal ki itilize gwo modèl lang pale. Li jenere pale sonje ki pi natirèl ant modèl yon sèl-pale, rival enregistrements moun. StyleTTS 2 itilize difizyon-ki baze sou modélisation estil pou capture la gamme complète de varyasyon pale moun.

OpenVoice pa MyShell.ai pèmèt klonaj vwa imedyat ak kontwòl granulaire sou style vwa, emosyon, aksan, rythme, pause, ak intonasyon. Li ka klone yon vwa soti nan yon clip son kout ak jenere pale nan plizyè lang pandan y ap kenbe idantite pale a. OpenVoice tou fonksyone kòm yon konvètisè vwa, ki pèmèt transformasyon vwa nan tan reyèl.

Qwen3-TTS se yon modèl 1.7 milya dola paramèt tèks-a-parole ki soti nan ekip Qwen Alibaba a. Li sipòte twa mòd: vwa preset ak kontwòl emosyon (9 oratè), klonaj vwa soti nan jis 3 segonn odyo, ak yon mòd konsepsyon vwa inik kote ou dekri vwa ou vle nan lang natirèl.

Sesame CSM (Conversational Speech Model) se yon modèl 1 milya dola paramèt ki fèt espesyalman pou jenere pale konvèsasyon. Li modènize modèl natirèl konvèsasyon imen an ki gen ladan tan pran vire, repons backchannel, reaksyon emosyonèl, ak koule konvèsasyon. CSM jenere son ki son tankou yon konvèsasyon imen natirèl plis pase pale sintètik.

Chatterbox Turbo by Resemble AI se yon ajou paramèt 350M pou Chatterbox, ki bay jiska 6x vitès tan reyèl ak latency sub-200ms. Li sipòte atik paralingwistik tankou [laugh], [cough], ak [chuckle] dirèkteman nan tèks. Gen ladann Perth watermarking sou tout odyo jenere pou suivi provenance.

Zonos v0.1 pa Zyphra se yon modèl paramèt 1.6B ki gen ladan kontwòl emosyon fine-grained ak sliders pou kè kontan, kòlè, tristès, rèv, ak surpris. Li ofri tou de yon Transformateur ak yon nouvo SSM (modèl eta-espasyal) varyasyon. Antrene sou 200K + èdtan nan pale multilingual ak zero-shot klonaj vwa soti nan 10-30 segonn nan referans son.

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).

VoxCPM 1. 5 pa OpenBMB se yon nouvo modèl TTS san tokenizer ki opere nan espas kontinyèl plis ke tokens diskrèt. Li pwodwi 44. 1kHz son segondè- fidélité, sipòte klonaj vwa zero- shot soti nan 3- 10 segonn, ak kenbe konstans ant paragraf. Cross- lang klonaj pèmèt ou aplike yon vwa angle nan pale Chinwa ak vice versa.

OuteTTS pwolonje gwo modèl lang ak kapasite tèks-a-parole pandan l ap kenbe achitekti orijinal la. Li sipòte backends multiple ki gen ladan llama.cpp (CPU / GPU), Hugging Face Transformers, ExLlamaV2, VLLM, ak menm infèrans navigatè via Transformers.js. Features zero-shot voice cloning through speaker profiles saved as JSON.

TADA (Text-Acoustic Dual Alignment) pa Hume AI se yon modèl TTS inovatè ki elimine alucination a travers yon achitekti alignement doub nouvo bati sou Llama 3.2. Disponib nan 1B (an Anglè) ak 3B (multilingual) varyete, TADA rive yon RTF nan 0.09 — 5x pi vit pase modèl TTS ki baze sou LLM konparab.

VibeVoice by Microsoft vini nan de varyasyon: yon modèl 1.5B pou kontni long-fòm (jouk a 90 minit, 4 oratè) ak yon Realtime 0.5B modèl pou streaming ak ~ 200ms premye latency son. varyasyon 1.5B excels nan podcasts ak liv son ak konstanson oratè sou long pasaj.

Pocket TTS pa Kyutai (kreyatè Moshi) se yon modèl tèks-a-parole 100M paramèt ki koube byen pi wo pase pwa li. Li kouri efikasman sou CPU, sipòte klonaj vwa zero-shot soti nan yon sèl echantiyon son, epi pwodwi pale natirèl-son. Ti gwosè modèl la fè li ideyal pou deployment edge ak anviwònman ki ba-resous.

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.