AI Texti til ræðu

Kokoro er 82 milljón breyta texta-til-tal líkan sem kýlir vel yfir þyngdarflokki sínum. Þrátt fyrir litla stærð sína, framleiðir það ótrúlega náttúrulega og tjáningarmikla ræðu. Kokoro styður mörg tungumál, þar á meðal ensku, japönsku, kínversku og kóresku með ýmsum tjáningarmiklum raddir. Það keyrir ótrúlega hratt - framleiðir hljóð næstum 100x hraðar en rauntíma á GPU.

Piper er léttur texti-til-tal vél þróað af Rhasspy sem notar VITS og barkakýli arkitektúr.Það keyrir algerlega á CPU, sem gerir það tilvalið fyrir brún tæki, heimili sjálfvirkni, og forrit sem krefjast offline TTS.Með yfir 100 raddir yfir 30 + tungumálum, Piper skilar náttúrulega hljóðandi ræðu á rauntíma hraða jafnvel á Raspberry Pi 4.

VITS (Variation Inference with adversarial learning for end-to-end Text-to-Speech) er samsíða enda-til-enda TTS aðferð sem býr til meira náttúrulegt hljóma hljóð en núverandi tveggja stigs módel.Það samþykkir breytilegt ályktun aukið með eðlilegum flæði og andstæða þjálfunarferli, sem skilar verulegum framförum í náttúruleika.

MeloTTS eftir MyShell.ai er fjöltyngd TTS bókasafn sem styður ensku (Ameríku, Bretlandi, Indlandi, Ástralíu), spænsku, frönsku, kínversku, japönsku og kóresku. Það er mjög hratt, vinnsla texta á nánast rauntíma hraða á CPU eingöngu. MeloTTS er hannað til framleiðslunotkunar og styður bæði CPU og GPU ályktun.

Bark eftir Suno er spenni-undirstaða texta-til-hljóð líkan sem getur búið til mjög raunhæf, fjöltyngd ræðu auk annarra hljóð eins og tónlist, bakgrunns hávaða og hljóð.Það getur framleitt nonverbal samskipti eins og hlæja, andvarpa og gráta.Bark styður yfir 100 hátalara forstillingar og 13 + tungumálum.

Bark Small er eimuð útgáfa af Bark líkaninu sem skiptir um hljóðgæði fyrir verulega hraðari niðurstöðuhraða og lægri minniskröfur.Það heldur hæfni Barks til að búa til tal með tilfinningum, hlátri og mörgum tungumálum.

CosyVoice 2 frá Tongyi Lab Alibaba nær mannlegum talgæðum með mjög lágum leynd, sem gerir það tilvalið fyrir rauntímaforrit. Það notar endanlega skalarmagns nálgun fyrir straumspilun og styður núll-skot raddklónun, kross-tungumálsmyndun og fínkorna tilfinningastjórnun.

Dia eftir Nari Labs er 1.6B breyta texta-til-tal líkan hannað sérstaklega til að búa til multi-hátalara samtal. Það getur framleitt náttúrulega hljóðandi samtöl milli tveggja hátalara með viðeigandi beygju, prosody og tilfinningalega tjáningu.Dia er fullkomið til að búa til podcast-stíl efni, hljóðbók samræður, og gagnvirk samtal AI.

Parler TTS er texta- í- tal líkan sem notar náttúruleg tungumál raddlýsingar til að stjórna framleidda ræðu. Í stað þess að velja úr forstilltum raddir, lýsir þú rödd sem þú vilt (td, "hlýtt kvenkyns rödd með smá breskum hreim, talar hægt og skýrt") og Parler býr til ræðu sem passar við þá lýsingu. Þetta gerir það einstaklega sveigjanlegt fyrir skapandi forrit.

GLM-TTS eftir Zhipu AI er texta-til-tal kerfi byggt á Llama arkitektúr með flæði samsvörun.Það nær lægsta staf villa hlutfall meðal opnum uppspretta TTS módel, sem þýðir að það framleiðir nákvæmasta framburð.GLM-TTS styður ensku og kínversku með rödd klónun frá 3-10 sekúndna hljóð sýni.

IndexTTS-2 er háþróað texta-til-tal kerfi sem er frábært í núll-skot raddmyndun með fíngrun tilfinninga stjórna. Það getur búið til ræðu með tilteknum tilfinningalegum tónum eins og hamingjusamur, sorglegur, reiður eða hræddur án þess að þurfa tilfinninga-sérstakar þjálfunargögn.

Spark TTS eftir SparkAudio er texta-til-tal líkan sem sameinar rödd klónun með stjórnanlegum tilfinningum og talstíl. Með því að nota aðeins 5 sekúndur af tilvísun hljóð, getur það klóna rödd og síðan búa til ræðu með mismunandi tilfinningar, hraða og stíl en viðhalda klónuð rödd sjálfsmynd.

GPT-SoVITS sameinar GPT-stíl tungumál líkan með SoVITS (Singing Voice Inference með þýðingu og myndun) fyrir öfluga fáum skot rödd klónun. Með eins lítið og 5 sekúndur af tilvísun hljóð, það getur nákvæmlega klón rödd og búa til nýja ræðu en varðveita einstaka eiginleika hátalara.

Orpheus er stórt texta-til-tal líkan sem nær tilfinningalegri tjáningu á mannlegum stigum.Þjálfað á yfir 100.000 klukkustundum af fjölbreyttum talgögnum, það er framúrskarandi í að búa til tal með náttúrulegum tilfinningum, áherslu og talstíl. Orpheus getur framleitt tal sem er nánast ógreinanlegt frá mannlegum upptökum.

Chatterbox by Resemble AI er háþróaður núll-skot rödd klónun líkan. Það getur endurskapa hvaða rödd úr einu hljóð sýni með ótrúlega nákvæmni, handtaka ekki aðeins timbre en einnig tala stíl og tilfinningalega blæbrigði.Chatterbox hefur einnig fínkorna tilfinningu stjórna, sem gerir þér kleift að stilla tilfinningalega tón af myndast ræðu óháð radd auðkenni.

Tortoise TTS er sjálfvirkt endurtekningarkerfi fyrir texta í tal sem forgangsraðar hljóðgæðum fram yfir hraða. Það notar DALL-E-innblásna arkitektúr til að búa til mjög náttúrulegan tal með framúrskarandi orðaforða og hátalaralíkleika.Þó hægari en margir valkostir, framleiðir Tortoise nokkrar af raunsæjustu tilbúnum ræðum sem eru í boði í opnu vistkerfi.

StyleTTS 2 nær TTS-myndun á mannlegum stigum með því að sameina stílblæstri með andstæða þjálfun með því að nota stór talmálslíkön. Það býr til náttúrulegasta hljómflutnings-tal meðal einstakra hátalaralíkana, sem keppa við mannlegar upptökur.

OpenVoice frá MyShell.ai gerir þér kleift að klóna rödd með kornuðu stjórn á röddstíl, tilfinningum, hreim, takti, hléum og innsæi. Það getur klónað rödd úr stuttu hljóðmyndbandi og búið til ræðu á mörgum tungumálum en viðhalda hátalara.

Qwen3-TTS er 1,7 milljarða breyta texta-til-tal líkan frá Qwen lið Alibaba.Það styður þrjár stillingar: forstilltar raddir með tilfinningastjórnun (9 hátalara), raddklónun frá aðeins 3 sekúndum af hljóði og einstakt raddhönnun þar sem þú lýsir rödd sem þú vilt í náttúrulegu tungumáli.Það nær yfir 10 tungumál með mikla tjáningu og náttúrulega prosody.

Sesame CSM (Conversational Speech Model) er 1 milljarð breytu líkan hannað sérstaklega til að búa til samtalsmál.Það líkir eftir náttúrulegum mynstri mannlegs samtals, þ.mt snúningstíma, baksviðsviðbrögðum, tilfinningalegum viðbrögðum og samtalsflæði.CSM býr til hljóð sem hljómar eins og náttúrulegt mannlegt samtal frekar en tilbúið tal.

Chatterbox Turbo eftir Resemble AI er 350M breytu uppfærsla á Chatterbox, sem skilar allt að 6x rauntíma hraða með undir-200ms leynd. Það styður paralinguistic merki eins og [hlátur], [hósti] og [hlægja] beint í texta.

Zonos v0.1 eftir Zyphra er 1.6B breytu líkan með fínkorna tilfinningastjórnun með rennibrautum fyrir hamingju, reiði, sorg, ótta og óvart.Það býður upp á bæði Transformer og nýstárlegt SSM (ríkisrýmislíkan) afbrigði.Þjálfað á 200K + klukkustundum fjöltyngds tals með núll-skot raddklónun frá 10-30 sekúndum af tilvísunarhljóði.

Dia2 frá Nari Labs er straumspilunar- fyrsti uppfærsla á Dia, fáanleg í 1B og 2B breytuafbrigðum. Það byrjar að búa til hljóð frá fyrstu fáum táknum, sem gerir það tilvalið fyrir rauntíma raddmiðla og tal- til- tal leiðslur. Styður fjölhátalara samtal með [S1] / [S2] merkjum og paralinguistic vísum eins og (hlær), (hóstar).

VoxCPM 1.5 frá OpenBMB er nýstárlegt TTS líkan sem er óháð táknum og virkar í samfelldu rými frekar en í öðru. Það framleiðir hágæða 44.1kHz hljóð, styður núll-skot klónun frá 3-10 sekúndum og viðheldur samræmi yfir málsgreinar.

OuteTTS stækkar stór tungumál líkan með texta-til-tal getu en varðveita upprunalega arkitektúr. Það styður margar bakenda þar á meðal llama.cpp (CPU / GPU), Hugging Face Transformers, ExLlamaV2, VLLM, og jafnvel vafra ályktun í gegnum Transformers.js.

TADA (Text-Acoustic Dual Alignment) með Hume AI er byltingarkennd TTS líkan sem útrýma ofskynjanir með nýrri tvískiptur samræming arkitektúr byggt á Llama 3.2.Fæst í 1B (enska) og 3B (fjöltyng) afbrigði, TADA nær RTF 0,09 - 5x hraðar en sambærileg LLM-undirstaða TTS módel.Það styður allt að 700 sekúndur af hljóð samhengi og framleiðir tilfinningalega tjáningarfullt ræðu með núll ofskynjanir á venjulegum viðmiðum.

VibeVoice frá Microsoft kemur í tveimur afbrigðum: 1.5B líkan fyrir langtíma efni (allt að 90 mínútur, 4 hátalara) og Realtime 0.5B líkan fyrir straumspilun með ~ 200ms fyrstu hljóð leynd.1.5B afbrigði excels á podcast og hljóðbækur með hátalara samræmi yfir langar leiðir.Athugið: Microsoft fjarlægt TTS kóða úr geymslu og myndast hljóð inniheldur heyranlegur AI fyrirvarar.

Pocket TTS eftir Kyutai (hönnuðir Moshi) er samþætt 100M breytu texta-til-tal líkan sem kýlir vel yfir þyngd þess. Það keyrir á skilvirkan hátt á CPU, styður núll-skot rödd klónun frá einum hljóð sýni, og framleiðir náttúrulega hljóma ræðu.

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.