Al Testo al Discorso

Kokoro è un modello da 82 milioni di parametri testuale a bocca che punge ben al di sopra della sua classe di peso. Nonostante le sue piccole dimensioni, produce un discorso estremamente naturale ed espressivo. Kokoro supporta più lingue tra cui inglese, giapponese, cinese e coreano con una varietà di voci espressive. Corre incredibilmente veloce generando audio quasi 100x più velocemente che in tempo reale su una GPU.

Piper è un motore leggero da testo a bocca sviluppato da Rhasspy che utilizza architetture VITS e laringe. Funziona interamente su CPU, rendendolo ideale per dispositivi di bordo, domotica e applicazioni che richiedono TTS offline. Con oltre 100 voci in più di 30 lingue, Piper offre un discorso naturale a velocità in tempo reale anche su un Raspberry Pi 4.

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) è un metodo TTS parallelo end-to-end che genera un suono più naturale rispetto agli attuali modelli a due stadi. Adotta un'inferenza variante aumentata con flussi di normalizzazione e un processo di formazione adversarial, ottenendo un miglioramento significativo della naturalità.

MeloTTS by MyShell.ai è una libreria TTS multilingue che supporta l'inglese (americano, britannico, indiano, australiano), spagnolo, francese, cinese, giapponese e coreano. È estremamente veloce, l'elaborazione del testo a quasi velocità in tempo reale sulla CPU da sola. MeloTTS è progettato per l'uso di produzione e supporta sia CPU e GPU inferenza.

Bark di Suno è un modello di testo-audio basato su un trasformatore che può generare un linguaggio altamente realistico e multilingue così come altri audio come musica, rumore di sottofondo ed effetti sonori. Può produrre comunicazioni non verbali come ridere, sospirare e piangere. Bark supporta oltre 100 preset di altoparlanti e 13+ lingue.

Bark Small è una versione distillata del modello Bark che scambia una certa qualità audio per velocità di inferenza significativamente più veloci e requisiti di memoria più bassi. Conserva la capacità di Bark di generare il discorso con emozioni, risate e più lingue.

CosyVoice 2 di Tongyi Lab di Alibaba raggiunge una qualità del linguaggio umana-comparabile con latenza estremamente bassa, rendendola ideale per applicazioni in tempo reale. Utilizza un approccio di quantizzazione scalare finito per la sintesi in streaming e supporta la clonazione vocale a zero colpi, la sintesi cross-lingue e il controllo emotivo a grana fine. Sormonta molti sistemi TTS commerciali nelle valutazioni soggettive.

Dia by Nari Labs è un modello testuale da 1.6B progettato appositamente per generare un dialogo multi-altoparlante. Può produrre conversazioni naturali tra due altoparlanti con un'adeguata espressione svolta, prosodia ed emozionale. Dia è perfetto per creare contenuti in stile podcast, dialoghi audiolibri e AI interattiva.

Parler TTS è un modello testuale che utilizza le descrizioni vocali del linguaggio naturale per controllare il linguaggio generato. Invece di selezionare le voci preimpostate, si descrive la voce che si desidera (ad esempio, "una voce femminile calda con un leggero accento britannico, parlando lentamente e chiaramente") e Parler genera il discorso corrispondente a quella descrizione. Questo lo rende particolarmente flessibile per le applicazioni creative.

GLM-TTS di Zhipu AI è un sistema testuale basato sull'architettura Llama con flow matching. Ottiene il tasso di errore di carattere più basso tra i modelli TTS open-source, il che significa che produce la pronuncia più accurata. GLM-TTS supporta l'inglese e il cinese con clonazione vocale da 3-10 secondi campioni audio.

IndexTTS-2 è un sistema avanzato test-to-speech che eccelle nella sintesi vocale zero-shot con controllo emotivo fine-grained. Può generare il discorso con toni emotivi specifici come felice, triste, arrabbiato, o timoroso senza richiedere dati di allenamento emotivi-specifici. Il modello utilizza vettori emotivi per controllare esattamente l'espressione emotiva del linguaggio generato.

Spark TTS di SparkAudio è un modello testuale che combina la clonazione vocale con lo stile emotivo e parlante controllabile. Con soli 5 secondi di audio di riferimento, può clonare una voce e poi generare un linguaggio con emozioni, velocità e stili diversi mantenendo al contempo l'identità vocale clonata. Spark TTS utilizza un sistema di controllo rapido.

GPT-SoVITS combina la modellazione del linguaggio in stile GPT con SoVITS (Singing Voice Inference via Translation and Synthesis) per una potente clonazione vocale a pochi colpi. Con appena 5 secondi di audio di riferimento, può clonare con precisione una voce e generare nuovi discorsi preservando al contempo le caratteristiche uniche dell'altoparlante.

Orpheus è un modello su larga scala da testo a parola che raggiunge l'espressione emotiva a livello umano. Addestrato su oltre 100.000 ore di diversi dati vocali, eccelle nel generare parole con emozioni naturali, enfasi e stili parlanti. Orpheus può produrre un discorso che è praticamente indistinguibile dalle registrazioni umane.

Chatterbox di Resemble AI è un modello all'avanguardia di clonazione vocale a zero colpi. Può replicare qualsiasi voce da un singolo campione audio con notevole precisione, catturando non solo il timbro ma anche lo stile parlante e le sfumature emotive. Chatterbox dispone anche di controllo emotivo fine-grain, che consente di regolare il tono emotivo del discorso generato indipendentemente dall'identità vocale.

Tortoise TTS è un sistema multi-voce autoregressivo test-to-speech che dà priorità alla qualità audio rispetto alla velocità. Utilizza l'architettura ispirata a DALL-E per generare un discorso altamente naturale con un'eccellente somiglianza tra prosodia e diffusori. Sebbene più lento di molte alternative, Tortoise produce alcuni dei discorsi sintetici più realistici disponibili nell'ecosistema open-source.

StyleTTS 2 ottiene la sintesi TTS a livello umano combinando la diffusione dello stile con la formazione adversariale utilizzando modelli di linguaggio vocale di grandi dimensioni. Genera il linguaggio sonoro più naturale tra i modelli mono-altoparlanti, rivaleggiando le registrazioni umane. StyleTTS 2 utilizza la modellazione stilistica basata sulla diffusione per catturare l'intera gamma di variazioni del linguaggio umano.

OpenVoice di MyShell.ai consente la clonazione vocale istantanea con controllo granulare su stile vocale, emozione, accento, ritmo, pause e intonazione. Può clonare una voce da un breve clip audio e generare discorso in più lingue mantenendo l'identità dell'altoparlante. OpenVoice funziona anche come convertitore vocale, consentendo la trasformazione vocale in tempo reale.

Qwen3-TTS è un modello testuale da 1,7 miliardi di parametri del team Qwen di Alibaba. Supporta tre modalità: voci preimpostate con controllo emotivo (9 altoparlanti), clonazione vocale da soli 3 secondi di audio, e una modalità di progettazione vocale unica dove si descrive la voce che si desidera in linguaggio naturale. Copre 10 lingue con alta espressività e prosodia naturale.

Sesame CSM (Conversational Speech Model) è un modello di parametro da 1 miliardo progettato appositamente per generare discorsi di conversazione. Modella i modelli naturali della conversazione umana, tra cui tempi di presa in curva, risposte backchannel, reazioni emotive e flusso di conversazione. CSM genera audio che suona come una conversazione umana naturale piuttosto che discorso sintetico.

Chatterbox Turbo di Resemble AI è un aggiornamento dei parametri 350M a Chatterbox, che fornisce fino a 6x velocità in tempo reale con latenza sub-200ms. Supporta tag paralinguistici come [ride], [tosse] e [ridacchia] direttamente nel testo. Include la filigrana Perth su tutti gli audio generati per il monitoraggio della provenienza.

Zonos v0.1 di Zyphra è un modello di parametro 1.6B con controllo delle emozioni a grana fine con cursori per felicità, rabbia, tristezza, paura e sorpresa. Offre sia un Transformer che una nuova variante SSM (modello di stato-spazio). Allenato su 200K+ ore di linguaggio multilingue con clonazione vocale a zero colpi da 10-30 secondi di audio di riferimento.

Dia2 by Nari Labs è un primo aggiornamento in streaming a Dia, disponibile nelle varianti dei parametri 1B e 2B. Inizia a sintetizzare l'audio dai primi token, rendendolo ideale per agenti vocali in tempo reale e pipeline speech-to-speech. Supporta il dialogo multi-speaker con tag [S1]/[S2] e paralinguisti come (ride), (tosse).

VoxCPM 1.5 di OpenBMB è un nuovo modello TTS privo di tokenizer che opera nello spazio continuo piuttosto che in token discreti. Produce audio ad alta fedeltà 44.1kHz, supporta la clonazione vocale a zero colpi da 3-10 secondi, e mantiene la coerenza tra i paragrafi. La clonazione in lingua trasversale consente di applicare una voce inglese al discorso cinese e viceversa.

OuteTTS estende grandi modelli di lingua con funzionalità testuale a bocca pur preservando l'architettura originale. Supporta più backend tra cui lama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, e anche inferenza del browser tramite Transformers.js. Caratteristiche cloning voce a zero colpi attraverso profili di altoparlanti salvati come JSON.

TADA (Text-Acoustic Dual Alignment) di Hume AI è un modello TTS innovativo che elimina le allucinazioni attraverso una nuova architettura a doppio allineamento costruita su Llama 3.2. Disponibile nelle varianti 1B (inglese) e 3B (multilingue), TADA raggiunge un RTF di 0,09 mrad 5x più veloce di modelli TTS comparabili basati su LLM. Supporta fino a 700 secondi di contesto audio e produce un discorso emotivamente espressivo con zero allucinazioni sui benchmark standard.

VibeVoice di Microsoft è disponibile in due varianti: un modello 1.5B per contenuti a lunga forma (fino a 90 minuti, 4 altoparlanti) e un modello 0.5B in tempo reale per lo streaming con ~200m prima latenza audio. La variante 1.5B eccelle in podcast e audiolibri con consistenza degli altoparlanti su lunghi passaggi. Nota: Microsoft ha rimosso il codice TTS dal repository e l'audio generato include disclaimer AI udibili.

Il TTS tascabile di Kyutai (creatori di Moshi) è un compatto modello testuale da 100M che batte ben al di sopra del suo peso. Funziona in modo efficiente sulla CPU, supporta la clonazione vocale a zero colpi da un singolo campione audio e produce un suono naturale. Le piccole dimensioni del modello lo rendono ideale per la distribuzione dei bordi e ambienti a bassa risorsa.

Kitten TTS di KittenML è un modello ultraleggero test-to-speech costruito su ONNX. Con varianti da 15M a 80M parametri (25-80 MB su disco), offre una sintesi vocale di alta qualità sulla CPU senza richiedere una GPU. Caratteristiche 8 voci integrate, velocità di parola regolabile, e built-in preelaborazione del testo per numeri, valute e unità. Ideale per l'implementazione di bordo e applicazioni a bassa latenza.

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.