AI Teks-ka-waca

Kokoro ya iku modél teks-ka-ucapan kanthi parameter 82 yuta kang bisa ngasilaké swara kang alami lan ekspresif. Kokoro nawakake macem-macem basa, kalebu basa Inggris, Jepang, Cina, lan Korea, kanthi macem-macem swara ekspresif. Kokoro bisa dioperasikaké kanthi cepet — ngasilaké swara 100x luwih cepet tinimbang real-time ing GPU.

Piper ya iku mesin teks-ka-ucapan kang digawé déning Rhasspy kang migunakaké VITS lan larynx architectures. Piper iki dioperasikaké kanthi lengkap ing CPU, saéngga cocog kanggo piranti pinggir, otomatisasi omah, lan aplikasi kang mbutuhaké TTS offline. Kanthi luwih saka 100 swara ing 30+ basa, Piper nyedhiyani swara alami ing kecepatan real-time malah ing Raspberry Pi 4.

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) ya iku cara TTS end-to-end paralel kang ngasilaké swara kang luwih alami tinimbang modél loro-tahap saiki. Digunakaké inference variasional kang ditambah karo aliran normalisasi lan proses pelatihan adversarial, kang ngasilaké paningkatan alamiah sing signifikan.

MeloTTS déning MyShell.ai ya iku pustaka TTS multibasa kang nyokong basa Inggris (Amerika, Inggris, India, Australia), Spanyol, Prancis, Cina, Jepang, lan Korea. MeloTTS iku cepet banget, ngproses teks ing kecepatan wektu nyata ing CPU. MeloTTS dirancang kanggo panggunaan produksi lan nyokong CPU lan GPU inference.

Bark déning Suno ya iku model teks-ka-audio kang dumadi saka transformator kang bisa ngasilaké swara multibasa kang realistis lan uga swara liyané kaya ta musik, swara latar mburi, lan efek swara. Iki bisa ngasilaké komunikasi nonverbal kaya ta tawa, semu, lan tangis. Bark nyokong luwih saka 100 preset swara lan 13+ basa.

Bark Small ya iku versi distilasi saka modél Bark kang ngganti kualitas audio kanggo kecepatan inferensi kang luwih cepet lan kabutuhan memori sing luwih endhek. Iki ngandhut kemampuan Bark kanggo ngasilaké basa kanthi emosi, tawa, lan basa sanèsipun.

CosyVoice2déning Alibaba's Tongyi Lab nggayuh kualitas swara kang padha karo manungsa kanthi latensi kang dhuwur banget, saéngga cocog kanggo aplikasi real-time. Dhèwèké nggunakake pendekatan kuantasi skala finit kanggo sintesis streaming lan nyokong kloning swara zero-shot, sintesis cross-lingual, lan kontrol emosi granular. Dhèwèké ngluwihi akeh sistem TTS komersial ing evaluasi subjektif.

Dia déning Nari Labs ya iku 1.6B parameter teks-ka-ucapan model dirancang khusus kanggo ngasilaké multi-speaker dialog. Iki bisa ngasilaké natural-sounding percakapan antarané loro speakers karo turn-taking sing cocog, prosody, lan ekspresi emosi. Dia sampurna kanggo nggawe podcast-style isi, dialog audiobook, lan interaktif conversational AI.

Parler TTS ya iku modél teks-ka-ucapan kang migunakaké deskripsi swara basa alami kanggo ngontrol swara kang dihasilaké. Saliyané milih saka swara-suara kang wis ditemtokake, sampeyan bisa nggambaraké swara sing dikarepake (kayata, "suara wanita sing hangat karo aksen Inggris, ngomong kanthi alon lan jelas") lan Parler bakal ngasilaké swara sing cocog karo deskripsi mau. Iki ndadèkaké unik lan fleksibel kanggo aplikasi kreatif.

GLM-TTS déning Zhipu AI ya iku sistem teks-ka-ucapan kang dibangun ing arsitektur Llama kanthi matching aliran. Dhèwèké nggayuh tingkat kesalahan karakter paling endhek ing antarané model TTS sumber terbuka, tegesé dhèwèké ngasilaké swara sing paling akurat. GLM-TTS nyokong basa Inggris lan Cina kanthi kloning swara saka sampel audio 3-10 detik.

IndexTTS-2 ya iku sistem teks-ka-ucapan kang maju kang unggul ing sintesis swara zero-shot karo kontrol emosi granular. Bisa ngasilaké swara kanthi nada emosi tartamtu kaya seneng, sedih, marah, utawa kuwatir tanpa mbutuhaké data pelatihan emosi tartamtu. Model iki nggunakake vektor emosi kanggo ngontrol ekspresi emosi saka swara kang dihasilaké.

Spark TTS déning SparkAudio ya iku modél teks-ka-ucapan kang nggabungaké kloning swara karo emosi kang bisa dikontrol lan gaya pangucapan. Nggunakaké mung5detik audio referensi, bisa kloning swara lan banjur ngasilaké pangucapan karo emosi, kecepatan, lan gaya kang beda-beda nalika njaga identitas swara kloning. Spark TTS migunakaké sistem kontrol berbasis pitakon.

GPT-SoVITS nggabungaké modeling basa gaya GPT karo SoVITS (Singing Voice Inference via Translation and Synthesis) kanggo kloning swara kang kuat. Kanthi mung5detik audio referensi, bisa kloning swara kanthi bener lan ngasilaké swara anyar nalika ngandelaké ciri-ciri sing unik saka pembicara. Iki apik ing sintesis swara swara lan nyanyi.

Orpheus ya iku modél teks-ka-ucapan kanthi skala gedhé kang bisa ngasilaké ekspresi emosi ing tingkat manungsa. Dilatih ing luwih saka 100.000 jam data swara kang béda-béda, iku bisa ngasilaké swara kanthi emosi alami, pangertèn, lan gaya swara. Orpheus bisa ngasilaké swara kang ora bisa dibedakaké saka rekaman manungsa.

Chatterbox déning Resemble AI iku modél kloning swara zero-shot kang paling anyar. Bisa ngreplikasi swara apa wae saka sampel audio tunggal kanthi akurasi kang apik, ora mung nyekel timbre nanging uga gaya pangucapan lan nuansa emosi. Chatterbox uga duwé kontrol emosi kang apik, kang ngidini sampeyan nyetel nada emosi saka pangucapan kang dihasilaké kanthi independen saka identitas swara.

Tortoise TTS iku sistem teks-ka-ucapan multi-suara autoregressive kang ngutamakaké kualitas audio tinimbang kacepetan. Dhèwèké migunakaké arsitektur DALL-E-inspirasi kanggo ngasilaké basa alami kanthi prosodi lan kesamaan swara sing apik. Nalika luwih lambat tinimbang akeh alternatif, Tortoise ngasilaké basa sintetis sing paling realistis kang ana ing ekosistem sumber terbuka.

StyleTTS 2 nggayuh sintesis TTS tingkat manungsa kanthi nggabungaké difusi gaya karo pelatihan kontras nganggo model basa swara gedhe. Iki ngasilake swara sing paling alami ing antarane model swara siji, ngrebut rekaman manungsa. StyleTTS 2 nggunakake model gaya adhedhasar difusi kanggo nyekel kabeh variasi swara manungsa.

OpenVoice déning MyShell.ai ngaktifaké kloning swara langsung kanthi kontrol granular ing gaya swara, emosi, aksen, ritme, paugeran, lan intonasi. Bisa kloning swara saka klip audio cekak lan ngasilaké swara ing pirang-pirang basa nalika njaga identitas pangucap. OpenVoice uga fungsi minangka konversi swara, ngaktifaké transformasi swara real-time.

Qwen3-TTS ya iku 1.7 milyar parameter teks-ka-ucapan model saka Alibaba's Qwen tim. Iki nyokong telu mode: preset swara karo emosional kontrol (9 speakers), suara kloning saka mung3detik saka audio, lan unik swara desain mode ngendi sampeyan nggambarake swara sampeyan pengin ing basa alami. Iki nutupi 10 basa karo ekspresif dhuwur lan prosody alami.

Sesame CSM (Conversational Speech Model) inggih punika model 1 milyar parameter ingkang dipunrancang khusus kanggé ngasilaken pidato konversasional. Piyambakipun ngasilaken pola alami saking pidato manungsa kados ta timing turn-taking, tanggapan backchannel, reaksi emosional, lan aliran konversasi. CSM ngasilaken audio ingkang swaranipun kados pidato manungsa alami katimbang pidato sintetis.

Chatterbox Turbo déning Resemble AI ya iku paningkatan parameter 350M kanggo Chatterbox, nyedhiyani kecepatan real-time nganti 6x kanthi latensi sub-200ms. Dhèwèké nyokong tag paralinguistik kaya ta [laugh], [cough], lan [chuckle] langsung ing teks. Ngandhut Perth watermarking ing kabeh audio kang dihasilaké kanggo nglacak provenance.

Zonos v0.1 déning Zyphra ya iku modél parameter 1.6B kang nawakake kontrol emosi granular kanthi slider kanggo katresnan, kemarahan, kesedihan, ketakutan, lan kaget. Iki nawakake Transformer lan varian SSM (model ruang-negara) anyar. Dilatih ing 200K+ jam pidato multibasa kanthi kloning swara zero-shot saka 10-30 detik referensi audio.

Dia2 déning Nari Labs iku upgrade streaming-first kanggo Dia, kasedhiya ing 1B lan 2B varian parameter. Dia miwiti sintesis audio saka sawetara tokens pisanan, ndadèkaké ideal kanggo real-time voice agents lan speech-to-speech pipelines. Dukung dialog multi-speaker karo [S1]/[S2] tag lan paralinguistic cues kaya (laughs), (coughs).

VoxCPM 1.5 déning OpenBMB ya iku modél TTS tanpa tokenizer kang dioperasikaké ing ruang terus-terusan tinimbang token diskrét. Dhèwèké ngasilaké audio 44.1kHz kanthi kualitas dhuwur, nyokong kloning swara zero-shot saka 3-10 detik, lan njaga konsistensi ing paragrap-paragrap. Cross-language cloning ngidini sampeyan nglakokaké swara basa Inggris menyang basa Cina lan sebaliké.

OuteTTS ngembangaken modél basa ageng kaliyan kemampuan teks-ka-ucapan nalika ngagem arsitektur asli. Ngdukung backends ganda kados ta llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, lan malah inference browser liwat Transformers.js. Fitur kloning swara zero-shot liwat profil speaker ingkang dipunsimpen minangka JSON.

TADA (Teks-Acoustic Dual Alignment) déning Hume AI iku modél TTS sing ngrampungake halusinasi liwat arsitektur dual-alignment anyar sing dibangun ing Llama 3.2. Available ing 1B (Inggris) lan 3B (multilingual) variasi, TADA ngrampungake RTF saka 0.09 - 5x luwih cepet tinimbang model TTS LLM-based sing bisa dibandhingake. Iki nyokong nganti 700 detik konteks audio lan ngasilake pidato ekspresif kanthi emosi kanthi halusinasi nol ing standar benchmark.

VibeVoice dening Microsoft teka ing loro varian: 1.5B model kanggo long-form isi (nganti 90 menit,4speakers) lan Realtime 0.5B model kanggo streaming karo ~ 200ms pisanan audio latency. 1.5B varian excels ing podcasts lan audiobooks karo speaker konsistensi liwat pasages dawa.

Pocket TTS déning Kyutai (panyedhiya Moshi) iku model teks-ka-ucapan kanthi parameter 100M kang bisa nglumpukaké bobot. Digunakaké kanthi efisien ing CPU, nyokong kloning swara tanpa-shoot saka sampel audio tunggal, lan ngasilaké swara kang alami. Ukuran model cilik ndadèkaké iku cocog kanggo panyebaran pinggir lan lingkungan sumber daya kang entheng.

Kitten TTS déning KittenML ya iku tèks-ka-ucapan kang ultra-lembut kang dibangun ing ONNX. Kanthi variasi saka 15M nganti 80M parameter (25-80 MB ing disk), iku nyedhiyani sintesis swara kualitas dhuwur ing CPU tanpa mbutuhaké GPU. Fitur 8 swara kang digawé, kecepatan swara sing bisa disesuaikan, lan pre-proses teks kang digawé kanggo angka, mata uang, lan unit. Ideal kanggo aplikasi panyebaran pinggir lan latensi-rendah.

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.