Teks AI ke Tutur Kata

Kokoro adalah model parameter 82 juta teks-ke-peech yang memukul dengan baik di atas kelas berat badannya meskipun ukurannya kecil, ia menghasilkan pidato yang sangat alami dan ekspresif. Kokoro mendukung berbagai bahasa termasuk bahasa Inggris, Jepang, Cina, dan Korea dengan berbagai suara ekspresif. ia berlari sangat cepat menghasilkan audio hampir 100x lebih cepat daripada GPU.

Piper adalah mesin text-to-speech ringan yang dikembangkan oleh Rhassypy yang menggunakan VITS dan laringx arsitektur. mesin ini bekerja sepenuhnya pada CPU, membuatnya ideal untuk perangkat tepi, otomasi rumah, dan aplikasi yang membutuhkan TTS offline. dengan lebih dari 100 suara melintasi 30 bahasa+, Piper memberikan pidato yang terdengar alami pada kecepatan nyata bahkan pada sebuah Raspberry Pi 4.

VITS (Inferensi Variational dengan adversaria belajar untuk end-to-end Text-to-Speech) adalah metode akhir-ke-end TTS yang menghasilkan audio terdengar lebih alami daripada model dua tahap saat ini. Ia mengadopsi inferensi variasi yang ditambah dengan aliran normal dan proses pelatihan adversaria, mencapai peningkatan yang signifikan dalam naturalnessness.

MeloTTS oleh MyShell.ai adalah perpustakaan TTS multibahasa yang mendukung bahasa Inggris (Amerika, Inggris, India, Australia), Spanyol, Prancis, Cina, Jepang, dan Korea. Ini sangat cepat, memproses teks pada hampir kecepatan real-time pada CPU saja. MeloTTS dirancang untuk produksi dan mendukung baik CPU maupun GPUference.

Bark by Suno is a transformer-based text-to-audio model that can make make very realistik, multibahasa speech as other audio like music, background noise, and sound effects. dapat menghasilkan komunikasi nonverbal seperti tertawa, mendesah, dan menangis.

Bark Small adalah versi disuling dari model Bark yang menukar beberapa kualitas audio untuk kecepatan inferensi yang jauh lebih cepat dan persyaratan memori yang lebih rendah. ia mempertahankan kemampuan Bark untuk menghasilkan ucapan dengan emosi, tawa, dan berbagai bahasa.

CosyVoice 2 oleh Alibaba's Tongyi Lab mencapai kualitas pidato yang sebanding dengan tingkat keterlambatan yang sangat rendah, membuatnya ideal untuk aplikasi real-time. menggunakan pendekatan kuantasi skalar yang terbatas untuk streaming sintesis dan mendukung kloning suara nol-shot, sintesis lintas-bahasa, dan kontrol emosi yang baik. ini melebihi banyak sistem TTS komersial dalam evaluasi subjektif.

Dia oleh Nari Labs adalah model parameter 1.6B teks-to-peech yang dirancang khusus untuk menghasilkan dialog multi pembicara. Ia dapat menghasilkan percakapan yang terdengar alami antara dua pembicara dengan pengambilan balik, prosody, dan ekspresi emosional. Dia sempurna untuk membuat konten gaya podcast, dialog audiobook, dan percakapan interaktif AI.

Parler TTS adalah model teks-to-peech yang menggunakan deskripsi suara bahasa alami untuk mengontrol pidato yang dihasilkan. Alih-alih memilih dari suara-suara praset, Anda menggambarkan suara yang Anda inginkan (mis., "suara wanita yang hangat dengan aksen Inggris sedikit, berbicara perlahan-lahan dan jelas") dan Parler menghasilkan pidato yang cocok dengan deskripsi itu. Hal ini membuatnya unik fleksibel untuk aplikasi kreatif.

GLM-TTS oleh Zhipu AI adalah sebuah sistem text-to-peech yang dibangun di atas arsitektur Llama dengan pencocokan aliran. Ini mencapai tingkat kesalahan karakter terendah antara model TTS open-source, berarti itu menghasilkan pengucapan yang paling akurat. GLM-TTS mendukung Bahasa Inggris dan Cina dengan kloning suara dari 3-10 detik sampel audio.

IndexTTS-2 adalah sebuah sistem text-to-peech canggih yang unggul pada sintesis suara nol-shot dengan kontrol emosi yang halus. Ini dapat menghasilkan pidato dengan nada emosional tertentu seperti bahagia, sedih, marah, atau takut tanpa membutuhkan data pelatihan spesifik emosi. Model menggunakan vektor emosi untuk mengontrol ekspresi emosional yang dihasilkan secara tepat.

Spark TTS oleh SparkAudio adalah model teks-to-peech yang menggabungkan kloning suara dengan gaya emosi yang dapat dikendalikan dan berbicara. Menggunakan 5 detik dari audio referensi, dapat mengkloning sebuah suara dan kemudian menghasilkan pidato dengan emosi, kecepatan yang berbeda, dan gaya ketika mempertahankan identitas suara kloning. Spark TTS menggunakan sistem kontrol berbasis saran.

GPT-SoVIT menggabungkan model bahasa bergaya GPT dengan SoVIT (Inferensi Suara Bernyanyi melalui Terjemahan dan Sintesis) untuk kloning suara yang sangat kuat. Dengan sebanyak 5 detik audio referensi, ia dapat secara akurat mengklon sebuah suara dan menghasilkan pidato baru sambil melestarikan karakteristik unik pembicara. Ini unggul pada kedua berbicara dan bernyanyi sintesis suara.

Orpheus adalah model skala besar teks-ke-peech yang mencapai ekspresi emosi tingkat manusia. Dilatih pada lebih dari 100.000 jam data pidato yang beragam, itu unggul dalam menghasilkan emosi alami, penekanan, dan gaya bicara. Orpheus dapat menghasilkan pidato yang hampir tidak dapat dibedakan dari rekaman manusia.

Chatterbox oleh Resemble AI adalah model kloning suara yang mutakhir. Ini dapat meniru suara apapun dari contoh audio tunggal dengan akurasi yang luar biasa, menangkap bukan hanya timbre tetapi juga gaya berbicara dan nuansa emosional. Chatterbox juga menampilkan kontrol emosi yang halus, memungkinkan Anda untuk menyesuaikan nada emosional dari pidato yang dihasilkan secara independen dari identitas suara.

Tortoise TTS adalah sistem autoregressive multi-voice text-to-peech yang memprioritaskan kualitas audio atas kecepatan. Ini menggunakan arsitektur DALL-E-inspired untuk menghasilkan pidato yang sangat alami dengan prosody dan speaker yang sempurna kesamaan. Sementara lebih lambat dari banyak alternatif, Tortoise menghasilkan beberapa pidato sintetis paling realistis yang tersedia dalam ekosistem open-source.

StyTTS 2 mencapai sintesis tingkat manusia TTS dengan menggabungkan gaya difusi dengan pelatihan adversaria menggunakan model bahasa bahasa besar. Ini menghasilkan pidato yang paling alami di antara model pembicara tunggal, menyaingi rekaman manusia. Gaya STTS 2 menggunakan model berbasis difusi untuk menangkap variasi bahasa manusia secara penuh.

OpenVoice oleh MyShell.ai memungkinkan kloning suara instan dengan kontrol granular atas gaya suara, emosi, aksen, irama, jeda, dan intonasi. dapat mengklon sebuah suara dari klip audio pendek dan menghasilkan pidato dalam berbagai bahasa sementara mempertahankan identitas pembicara. OpenVoice juga berfungsi sebagai pengkonversi suara, memungkinkan transformasi suara real-time.

Qwen3-TTS adalah 1.7 miliar parameter teks-ke-peech model dari tim Qwen Aliba. Ini mendukung tiga mode: preset suara dengan kontrol emosi (9 pembicara), kloning suara dari hanya 3 detik audio, dan mode desain suara yang unik di mana Anda menggambarkan suara yang Anda inginkan dalam bahasa alami. Ini mencakup 10 bahasa dengan ekspresif tinggi dan prosody alami.

Sesame CSM (Conversation Speech Model) adalah model parameter 1 miliar yang dirancang khusus untuk menghasilkan pidato percakapan. Ini model alami pola percakapan manusia termasuk pengaturan waktu, respon backchannel, reaksi emosional, dan aliran percakapan. CSM menghasilkan audio yang terdengar seperti percakapan alami manusia daripada percakapan sintetis.

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.