AI мәтіннен сөйлеугеName
Ашық көзді ДН моделімен мәтіндерді табиғи дыбыстарға айналдыру. Қолдануға тегін, тіркелгі қажет емес.
Мәтінді SSML тегтермен тасымалдау үшін нұсқау:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Көрсетуге әсер ететін көңіл- күй белгілерін қосу (моделдің қолдауы бойынша):
Өзінің дыбысын анықтау (сөз = дыбысы):
Үлгінің егжей- тегжейі
Kitten TTS
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.
| Жасаушы: | KittenML |
| Лицензия: | Apache 2.0 |
| Жылдамдығы | Fast |
| Сапа: | |
| тілдер | 1 тіл |
| VRAM | 0GB |
| Дыбысты көшіру | Қолдауы жоқ |
Жақсы нәтижелер үшін кеңестер
- Түйінді сөздер мен интонациялар дұрыс жазылсын
- Сандар мен қысқартуларды емлелеп, анық дыбысталуы үшін
- Фразалар арасында қысқа үзіліс жасау үшін үтірлерді қосу
- Ұзақ үзілістер үшін үшбұрыш (...) қолданыңыз
- Ең табиғи нәтиже алу үшін Kokoro не CosyVoice 2 қолданыңыз
- Көп дыбыс шығарғыштар диалогы мен подкаст мазмұны үшін Dia қолданылсын
Таңбалардың қолданылуы
| Түр | 1K таңбаның бағасы |
|---|---|
| Бос | 0 кредит (шегерілмеген) |
| Әдетті | 2 кредит / 1K таңба |
| Премиум | 4 кредит / 1K таңба |
AI мәтіннен сөйлеуге қалай жұмыс істейді
Профессионалды сапалы дыбыс жазуды үш қарапайым қадаммен жасау. Техникалық білім қажет емес.
Мәтінді келтіріңіз
Мәтінді дыбыс қылып шығару үшін енгізіп, орналастырыңыз не жүктеп беріңіз. Жүйеге кірген пайдаланушылардың бір генерациясы 5000 таңбаға дейін қолдайды. Жай мәтінмен немесе SSML тегтерін қосып дыбыс шығару, аялдамалар мен нұсқауларды жетілдіріңіз.
Модель мен дауысты таңдау
20-дан астам ДЖ үлгісін үш деңгейден таңдаңыз. Мазмұныңызға сәйкес келетін дыбысты таңдаңыз, тіліңізді таңдаңыз, ойнату жылдамдығын 0. 5x- 2. 0x аралығында орнатыңыз, және қалаған шығыс пішіміңізді (MP3, WAV, OGG немесе FLAC) таңдаңыз.
Құру және жүктеп алу
Құру дегенді түртіп, аудиоңыз секундтар ішінде дайын болады. Ендірме плейермен алдын- ала қарап шығыңыз, таңдаған пішімінде жүктеп алыңыз, немесе бөлісу сілтемесін көшіріп алыңыз. API пакетті өңдеу үшін және жұмыс ағымыңызға біріктіру үшін қолданыңыз.
Мәтінді сөйлеуге аудару
ДНҚ-ға негізделген мәтіннен сөйлеуге көшу көптеген салаларда адамдардың аудио мазмұнды жасау, тұтыну және өзара әрекеттесу тәсілдерін өзгертіп жатыр.
Барлық мәтіннен сөйлеуге түрлендіргіш үлгілері
TTS.ai сайтында әрбір AI моделінің егжей-тегжейлі сипаттамалары бар. Сіздің жобаңызға лайықты модельді табу үшін сапаны, жылдамдықты, тіл қолдауын және мүмкіндіктерді салыстырыңыз.
Kokoro
Free
Kokoro - 82 миллион параметрлі мәтіннен сөйлеуге көшіру моделі, ол өз салмағының класынан әлдеқайда жоғары. Шағын өлшеміне қарамастан, ол өте табиғи және өрнекті сөйлеуді шығарады. Kokoro ағылшын, жапон, қытай және корей сияқты бірнеше тілдерді қолдайды, әртүрлі өрнекті дауыстарды шығарады. Ол өте жылдам жұмыс істейді - графикалық процессордағы шын уақыттағыдан 100 есе жылдам.
Hexgrad
Apache 2.0
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
1.5GB
Жоқ
Бос
Piper
Free
Piper - Rhasspy жасаған, VITS және larynx архитектураларын қолданатын жеңіл мәтін- дыбыс аудару тетігі. Ол тек процессорда жұмыс істейді, сондықтан Edge құрылғылары, үй автоматтандыруы және офлайн TTS қажет қолданбалар үшін өте қолайлы. 30- дан астам тілдегі 100- ден астам дауысымен Piper Raspberry Pi 4- те де шынайы дыбыстарды шын уақыт режимінде жеткізеді.
Rhasspy
MIT
Fast
en, de, fr, es, it, pt, nl, pl, ru, zh, ja, ko, ar, cs, da, fi, el, hu, is, ka, kk, ne, no, ro, sk, sr, sv, sw, tr, uk, vi
0 (CPU only)
Жоқ
Бос
VITS
Free
VITS (Variation Inference with adversarial learning for end- to- end Text- to- Speech) - бұл қазіргі екі сатылы үлгілерге қарағанда табиғи дауысты шығаратын параллельді, аясынан аяғына дейінгі TTS әдісі. Ол табиғилықты едәуір жақсарту үшін, нормаластыру ағымдары мен қарсыласу оқыту процесімен толықтырылған вариациялық инференцияны қолданады.
Jaehyeon Kim et al.
MIT
Fast
en, zh, ja, ko
1GB
Жоқ
Бос
MeloTTS
Free
MyShell. ai- ның MeloTTS - ағылшын (американдық, британдық, үнді, австралиялық), испан, француз, қытай, жапон және корей тілдерін қолдайтын көп тілді TTS жиыны. Бұл өте жылдам, тек процессормен мәтіндерді шын уақытпен өңдей алады. MeloTTS өндірістік мақсатта қолданылады және процессор мен графикалық процессордың да мәліметтерін пайдаланады.
MyShell.ai
MIT
Fast
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
Жоқ
Бос
Bark
Standard
Suno- ның Bark бағдарламасы - бұл трансформер негізіндегі мәтіннен дыбысқа көшіру моделі, ол өте шынайы, көп тілді сөйлеуді және басқа да дыбыстарды (мысалы, музыка, фон шуы, дыбыс эффекттері) шығара алады. Бұл күлу, үңілу, жылау сияқты сөзсіз сөйлеуді де шығара алады. Bark 100- ден астам дыбыс шығарғыштарды және 13- тан астам тілдерді қолдайды.
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
Жоқ
2x
Bark Small
Standard
Bark Small - Bark үлгісінің қысқартылған нұсқасы, ол дыбыс сапасын төмендетіп, одан да жылдам шығару жылдамдығын және жады қажеттілігін төмендетеді. Бұл Bark- тың эмоциялар, күлкі және бірнеше тілдермен сөйлеу қабілетін сақтайды.
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
Жоқ
2x
CosyVoice 2
Standard
Alibaba' s Tongyi Lab- тың CosyVoice 2- і адаммен салыстыруға болатын дыбыс сапасына қол жеткізеді, бірақ өте төмен артта қалуымен, бұл оны нақты уақыт қолданбаларына өте ыңғайлы етеді. Ол ағын синтезі үшін шекті скалярлық кванттау тәсілін қолданады және нульдік клондау, тіларалық синтез, және эмоциялық бақылауды қолдайды. Ол субъективті бағалауда көптеген коммерциялық дыбыс- сөз жүйелерін басып озады.
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
4GB
Иә
2x
Dia TTS
Standard
Nari Labs- тің Dia бағдарламасы - көп сөйлеушілердің диалогын жасауға арналған 1. 6B параметрлі мәтін- дыбыс аудару үлгісі. Ол екі сөйлеуші арасындағы табиғи дауыспен, дұрыс ауысу, прозодия, эмоцияларды білдіру арқылы әңгіме құруға мүмкіндік береді. Dia подкаст стиліндегі мазмұнды, аудиокітап диалогтарын және интерактивті сөйлеу ДК- ны құруға өте қолайлы.
Nari Labs
Apache 2.0
Medium
en
4GB
Жоқ
2x
Parler TTS
Standard
Parler TTS - бұл табиғи тілдің дыбыс сипаттамаларын қолданып, сөзді құрайтын мәтін- дыбыс интерпретациялау моделі. Алдын- ала орнатылған дыбыстарды таңдаудың орнына, Сіз өзіңіздің тілегіңізді сипаттай аласыз (мысалы, "қызыл түсті, британ акцентімен, баяу және анық сөйлеп тұрған қыздың дауысы") және Parler осы сипаттамаға сәйкесті сөзді құрады. Бұл оны шығармашылық қолданбаларда ерекше ыңғайлы етеді.
Hugging Face
Apache 2.0
Medium
en
4GB
Жоқ
2x
GLM-TTS
Standard
Zhipu AI- ның GLM- TTS - Llama архитектурасына негізделген, ағын сәйкестікті қолданатын мәтін- дыбыс аудару жүйесі. Бұл ашық көздегі TTS үлгілерінің ішіндегі ең төменгі символ қателік деңгейіне ие, яғни ең дәл дыбыс аударуды қамтамасыз етеді. GLM- TTS ағылшын және қытай тілдерін қолдайды, 3- 10 секундтық аудио үлгілерден дыбыстарды клондау мүмкіндігі бар.
Zhipu AI
GLM-4 License
Medium
en, zh
4GB
Иә
2x
IndexTTS-2
Standard
IndexTTS- 2 - бұл мәтінді сөйлеуге айналдыру жүйесі, ол эмоционалды қасиеттерді бақылаумен, 0- ші ретті синтездеумен ерекшеленеді. Бұл жүйе эмоционалды қасиеттерді үйрету деректері қажетсіз, көңілді, қайғылы, ашуланған, қорқынышты сияқты эмоционалды дыбыстарды шығара алады. Бұл модель эмоционалды қасиеттерді реттеу үшін эмоциялық векторларды қолданады.
Index Team
Bilibili Model License
Medium
en, zh
4GB
Иә
2x
Spark TTS
Standard
SparkAudio- ның Spark TTS - бұл дыбыстарды клондау мен сөйлеу стилін басқаруды біріктіретін мәтін- сөйлеу моделі. Тек 5 секундтық сілтемелік аудионы пайдаланып, дыбыстарды клондап, әртүрлі эмоционалдылық, жылдамдық, стильдермен сөйлеуді жасауға болады, бірақ клондалған дыбыстардың ұқсастығы сақталады. Spark TTS сұрау негізіндегі басқару жүйесін қолданады.
SparkAudio
CC BY-NC-SA 4.0
Medium
en, zh
4GB
Иә
2x
GPT-SoVITS
Standard
GPT- SoVITS GPT- стиліндегі тіл моделін SoVITS (Singing Voice Inference via Translation and Synthesis) - мен біріктіріп, бірнеше реттік дауысты клондау үшін қолданылады. 5 секундтық сілтемелік аудиомен, дыбысты дәл клондап, дыбыс шығарушының ерекше қасиеттерін сақтай отырып, жаңа дыбыс шығара алады. Бұл дыбыс шығару мен ән айтуды синтездеуде өте тиімді.
RVC-Boss
MIT
Slow
en, zh, ja, ko
6GB
Иә
2x
Orpheus
Standard
Orpheus - бұл адам деңгейіндегі эмоцияларды жеткізетін кең көлемді мәтін- сөйлеу моделі. 100, 000 сағаттан астам түрлі сөйлеу деректері бойынша даярланған, ол табиғи эмоцияларды, баса айтуды және сөйлеу стилін қамтитын сөйлеуді шығаруға қабілетті. Orpheus - адам жазбаларынан мүлдем өзгеше сөйлеуді шығара алады.
Canopy Labs
Llama 3.2 Community
Medium
en
4GB
Жоқ
2x
Chatterbox
Premium
Resemble AI жасаған Chatterbox - бұл дауысты клондаудың ең соңғы үлгісі. Ол бір дыбыс үлгісінен кез келген дауысты ерекше дәлдікпен, тек тембр ғана емес, сонымен қатар сөйлеу стилі мен эмоциялық нюанстарын да анықтай алады. Chatterbox сондай- ақ эмоциялық тонды да, дауыс ерекшелігіне қарамастан, реттеуге мүмкіндік береді.
Resemble AI
MIT
Medium
en
4GB
Иә
4x
Tortoise TTS
Premium
Tortoise TTS - жылдамдықтан гөрі дыбыс сапасына басымдық беретін авторегрессивті көп- дауысты мәтін- дыбыс аудару жүйесі. Ол DALL- E- ге негізделген архитектураны қолданып, өте табиғи дыбыс шығарады, прозодиясы мен сөйлеушінің ұқсастығы өте жақсы. Көптеген альтернативтерге қарағанда баяу болса да, Tortoise ашық кодты экожүйедегі ең шынайы синтетикалық дыбыстарды шығарады.
James Betker
Apache 2.0
Slow
en
8GB
Иә
4x
StyleTTS 2
Premium
StyleTTS 2 стилді диффузия мен үлкен сөйлеу тілінің үлгілерін қолданып, қарсыласу арқылы үйрету арқылы адам деңгейіндегі тілдік синтездеуді орындайды. Ол бір сөйлеушінің моделі арасында ең табиғи естілетін сөйлеуді шығарады, бұл адам дыбыс жазуына ұқсас. StyleTTS 2 стилді диффузия негізінде модельдеу арқылы адамның сөйлеуінің барлық ауқымын қамтиды.
Columbia University
MIT
Medium
en
4GB
Жоқ
4x
OpenVoice
Premium
OpenVoice by MyShell. ai дыбыс стилін, эмоциясын, акцентін, ритмін, тоқтап қалуын және интонациясын егжей- тегжейлі бақылаумен дауысты дереу клондауға мүмкіндік береді. Ол қысқа аудио клиптерден дауысты клондап, сөйлеушінің жеке басын сақтай отырып, бірнеше тілде сөйлеуді жасай алады. OpenVoice сонымен қатар дауысты аударғыш ретінде де жұмыс істейді, дауысты шын уақытында аударуға мүмкіндік береді.
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
4GB
Иә
4x
Qwen3 TTS
Standard
Qwen3- TTS - Alibaba- ның Qwen командасының 1, 7 миллиард параметрлі мәтіннен сөйлеуге көшіру үлгісі. Ол үш режімді қолдайды: эмоциялық басқарумен алдын- ала орнатылған дауыстар (9 дыбыс шығарғыш), 3 секундтық аудиодан дауысты клондау, және тілдің табиғи сипатын сипаттайтын ерекше дыбыс дизайн режімі. Ол 10 тілді жоғары өрнектілікпен және табиғи прозодиямен қамтиды.
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
Иә
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) - бұл 1 миллиард параметрден тұратын сөйлеу үлгісі. Ол адам сөйлеуінің табиғи үлгілерін, соның ішінде ауысу уақытын, кері арнаның жауаптарын, эмоциялық реакцияларды және сөйлеу ағынын модельдейді. CSM синтетикалық сөйлеуден гөрі табиғи адам сөйлеуіне ұқсас дыбыстарды шығарады.
Sesame
Apache 2.0
Slow
en
8GB
Жоқ
4x
Kitten TTS
Free
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.
KittenML
Apache 2.0
Fast
en
0GB
Жоқ
Бос
Kokoro
Бос
Kokoro is an 82 million parameter text-to-speech model that punches well above its weight class. Despite its tiny size, it produces remarkably natural and expressive speech. Kokoro supports multiple languages including English, Japanese, Chinese, and Korean with a variety of expressive voices. It runs incredibly fast — generating audio nearly 100x faster than real-time on a GPU.
Hexgrad
Apache 2.0
Fast
Piper
Бос
Piper is a lightweight text-to-speech engine developed by Rhasspy that uses VITS and larynx architectures. It runs entirely on CPU, making it ideal for edge devices, home automation, and applications requiring offline TTS. With over 100 voices across 30+ languages, Piper delivers natural-sounding speech at real-time speeds even on a Raspberry Pi 4.
Rhasspy
MIT
Fast
VITS
Бос
VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) is a parallel end-to-end TTS method that generates more natural sounding audio than current two-stage models. It adopts variational inference augmented with normalizing flows and an adversarial training process, achieving a significant improvement in naturalness.
Jaehyeon Kim et al.
MIT
Fast
MeloTTS
Бос
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.
MyShell.ai
MIT
Fast
Kitten TTS
Бос
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.
KittenML
Apache 2.0
Fast
Bark
Әдетті
Bark by Suno is a transformer-based text-to-audio model that can generate highly realistic, multilingual speech as well as other audio like music, background noise, and sound effects. It can produce nonverbal communications like laughing, sighing, and crying. Bark supports over 100 speaker presets and 13+ languages.
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
Жоқ
Bark Small
Әдетті
Bark Small is a distilled version of the Bark model that trades some audio quality for significantly faster inference speeds and lower memory requirements. It retains Bark's ability to generate speech with emotions, laughter, and multiple languages.
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
Жоқ
CosyVoice 2
Әдетті
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 quantization 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.
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
Иә
Dia TTS
Әдетті
Dia by Nari Labs is a 1.6B parameter text-to-speech model designed specifically for generating multi-speaker dialogue. It can produce natural-sounding conversations between two speakers with appropriate turn-taking, prosody, and emotional expression. Dia is perfect for creating podcast-style content, audiobook dialogues, and interactive conversational AI.
Nari Labs
Apache 2.0
Medium
en
Жоқ
Parler TTS
Әдетті
Parler TTS is a text-to-speech model that uses natural language voice descriptions to control the generated speech. Instead of selecting from preset voices, you describe the voice you want (e.g., "a warm female voice with a slight British accent, speaking slowly and clearly") and Parler generates speech matching that description. This makes it uniquely flexible for creative applications.
Hugging Face
Apache 2.0
Medium
en
Жоқ
GLM-TTS
Әдетті
GLM-TTS by Zhipu AI is a text-to-speech system built on the Llama architecture with flow matching. It achieves the lowest character error rate among open-source TTS models, meaning it produces the most accurate pronunciation. GLM-TTS supports English and Chinese with voice cloning from 3-10 second audio samples.
Zhipu AI
GLM-4 License
Medium
en, zh
Иә
IndexTTS-2
Әдетті
IndexTTS-2 is an advanced text-to-speech system that excels at zero-shot voice synthesis with fine-grained emotion control. It can generate speech with specific emotional tones like happy, sad, angry, or fearful without requiring emotion-specific training data. The model uses emotion vectors to precisely control the emotional expression of generated speech.
Index Team
Bilibili Model License
Medium
en, zh
Иә
Spark TTS
Әдетті
Spark TTS by SparkAudio is a text-to-speech model that combines voice cloning with controllable emotion and speaking style. Using just 5 seconds of reference audio, it can clone a voice and then generate speech with different emotions, speeds, and styles while maintaining the cloned voice identity. Spark TTS uses a prompt-based control system.
SparkAudio
CC BY-NC-SA 4.0
Medium
en, zh
Иә
GPT-SoVITS
Әдетті
GPT-SoVITS combines GPT-style language modeling with SoVITS (Singing Voice Inference via Translation and Synthesis) for powerful few-shot voice cloning. With as little as 5 seconds of reference audio, it can accurately clone a voice and generate new speech while preserving the speaker's unique characteristics. It excels at both speaking and singing voice synthesis.
RVC-Boss
MIT
Slow
en, zh, ja, ko
Иә
Orpheus
Әдетті
Orpheus is a large-scale text-to-speech model that achieves human-level emotional expression. Trained on over 100,000 hours of diverse speech data, it excels at generating speech with natural emotions, emphasis, and speaking styles. Orpheus can produce speech that is virtually indistinguishable from human recordings.
Canopy Labs
Llama 3.2 Community
Medium
en
Жоқ
Qwen3 TTS
Әдетті
Qwen3-TTS is a 1.7 billion parameter text-to-speech model from Alibaba's Qwen team. It supports three modes: preset voices with emotion control (9 speakers), voice cloning from just 3 seconds of audio, and a unique voice design mode where you describe the voice you want in natural language. It covers 10 languages with high expressiveness and natural prosody.
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
Иә
Chatterbox
Премиум
Chatterbox by Resemble AI is a cutting-edge zero-shot voice cloning model. It can replicate any voice from a single audio sample with remarkable accuracy, capturing not just the timbre but also the speaking style and emotional nuances. Chatterbox also features fine-grained emotion control, allowing you to adjust the emotional tone of the generated speech independently from the voice identity.
Resemble AI
MIT
Medium
en
Иә
4GB
4x
Tortoise TTS
Премиум
Tortoise TTS is an autoregressive multi-voice text-to-speech system that prioritizes audio quality over speed. It uses DALL-E-inspired architecture to generate highly natural speech with excellent prosody and speaker similarity. While slower than many alternatives, Tortoise produces some of the most realistic synthetic speech available in the open-source ecosystem.
James Betker
Apache 2.0
Slow
en
Иә
8GB
4x
StyleTTS 2
Премиум
StyleTTS 2 achieves human-level TTS synthesis by combining style diffusion with adversarial training using large speech language models. It generates the most natural sounding speech among single-speaker models, rivaling human recordings. StyleTTS 2 uses diffusion-based style modeling to capture the full range of human speech variation.
Columbia University
MIT
Medium
en
Жоқ
4GB
4x
OpenVoice
Премиум
OpenVoice by MyShell.ai enables instant voice cloning with granular control over voice style, emotion, accent, rhythm, pauses, and intonation. It can clone a voice from a short audio clip and generate speech in multiple languages while maintaining the speaker identity. OpenVoice also functions as a voice converter, allowing real-time voice transformation.
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
Иә
4GB
4x
Sesame CSM
Премиум
Sesame CSM (Conversational Speech Model) is a 1 billion parameter model designed specifically for generating conversational speech. It models the natural patterns of human conversation including turn-taking timing, backchannel responses, emotional reactions, and conversational flow. CSM generates audio that sounds like a natural human conversation rather than synthetic speech.
Sesame
Apache 2.0
Slow
en
Жоқ
8GB
4x
Үлгіні салыстыру кестесі
| Үлгі | Жасаушы: | Түр | Сапа: | Жылдамдығы | тілдер | Дыбысты көшіру | VRAM | Лицензия: | % 1 кредит | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | Бос | Қолдану | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | Бос | Қолдану | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | Бос | Қолдану | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | Бос | Қолдану | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | Қолдану | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | Қолдану | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | Қолдану | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | Қолдану | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | Қолдану | ||
| GLM-TTS | Zhipu AI | Standard | Medium | 2 | 4GB | GLM-4 License | 2 | Қолдану | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Bilibili Model License | 2 | Қолдану | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | Қолдану | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | Қолдану | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | Қолдану | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | Қолдану | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | Қолдану | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | Қолдану | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | Қолдану | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | Қолдану | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | Қолдану | ||
| Kitten TTS | KittenML | Free | Fast | 1 | 0GB | Apache 2.0 | Бос | Қолдану |
Ең толық AI мәтін-сөз платформасыName
Текст-в-слов үшін неге TTS.ai таңдау керек?
TTS.ai әлемдегі ең үздік ашық көзді мәтін-сөз моделдерін бірыңғай, қолдануға оңай платформаға біріктіреді. Бір ғана дыбыс тетігіне бөгеп қоятын патенттік қызметтерден айырмашылығы, TTS.ai сізге Coqui, MyShell, Amphion, NVIDIA, Suno, HuggingFace, Tsinghua University және басқа да жетекші зерттеу лабораторияларының 20+ моделіне қол жеткізуге мүмкіндік береді.
Әрбір модель MIT, Apache 2. 0 немесе оған ұқсас лицензиялар бойынша ашық кодқа ие, бұл сіздің жобаларыңызда шығарылған аудионы пайдалануға толық коммерциялық құқығыңызды қамтамасыз етеді. Сізге жылдам, жеңіл синтез қажет болса да, немесе аудиокітаптар мен подкасттар үшін студиялық сапалы шығару керек болса да, TTS.ai әрбір жағдайға лайықты модельді ұсынады.
Тіркелгі қажет емес
Үш тегін TTS үлгісімен бірден жұмыс істей бастаңыз: Piper (үлкен жылдамдық, жеңіл), VITS (жоғары сапалы нейрондық синтез) және MeloTTS (көп тілді қолдау). Тіркелу, кредиттік карта, ұрпақтар саны шектеулері жоқ. Тегін үлгілер ағылшын және басқа да тілдерді қолдайды, сонымен қатар қолданбалардың көпшілігіне сай келетін табиғи дыбыс шығарады.
Графикалық процессормен жеделдету
Барлық TTS модельдері тез және біркелкі генерациялау үшін арнайы NVIDIA графикалық процессорларымен жұмыс істейді. Тегін модельдер әдетте 2 секундтан аз уақыт ішінде аудионы генерациялайды. Kokoro, CosyVoice 2, және Bark сияқты стандартты модельдер орташа есеппен 3-5 секундта. Tortoise және Chatterbox сияқты ең жоғары сапалы Premium модельдер мәтін ұзындығына байланысты 5-15 секундта өңдейді.
30+ тілді қолдайды
30- тан астам тілде сөйлеуді құру, оның ішінде ағылшын, испан, француз, неміс, итальян, португал, қытай, жапон, корей, араб, хинди, орыс және басқа да тілдері. Кейбір үлгілер тіларалық синтездеуді қолдайды, яғни бастапқы дауысты үйренбеген тілде сөйлеуді құра аласыз. CosyVoice 2 және GPT- Soviets тіларалық дауысты клондауда ерекшеленеді.
Жасаушыларға арналған API
OpenAI- ға сәйкесті REST API- мен TTS.ai- ды қолданбаңызға біріктіріңіз. Барлық 20+ үлгі үшін бір түйін. Python, JavaScript, cURL және Go SDK- лары. Реал уақыттағы қолданбаларды ағынмен тарату. Үлкен көлемдегі мазмұнды құру үшін пакеттік өңдеу. Асинхронды хабарлау үшін Webhooks. Pro және Enterprise жоспарларында қол жетімді.
Жиі қойылатын сұрақтар
Нені жақсартуға болады? Сіздің пікіріңіз бізге қателерді түзетуге көмектеседі.
Мәтінді сөйлеуге айналдыруды бастау
TTS.ai-ды қолданып мыңдаған құрастырушыларға қосылыңыз. Жаңа тіркелгімен 15000 тегін таңба алыңыз. Тегін модельдер тіркеусіз қол жетімді.