អត្ថបទទៅការនិយាយ AIName
បម្លែងអត្ថបទទៅជាការនិយាយដែលមានសំឡេងធម្មជាតិជាមួយម៉ូដែល AI ប្រភពបើកចំហ ។ ប្រើដោយឥតគិតថ្លៃ គ្មានគណនីដែលត្រូវការ ។
រុំអត្ថបទរបស់អ្នកក្នុងស្លាក SSML សម្រាប់ការត្រួតពិនិត្យជាក់លាក់ & # 160; ៖
<speak><prosody rate="slow">Slow speech</prosody></speak>
បន្ថែមសញ្ញាសម្គាល់អារម្មណ៍ដើម្បីជះឥទ្ធិពលដល់ការផ្ដល់ (ការគាំទ្រម៉ូដែលខុសៗគ្នា) & # 160; ៖
កំណត់ការបញ្ចេញសំឡេងផ្ទាល់ខ្លួន (ពាក្យ = ការបញ្ចេញសំឡេង) & # 160; ៖
សេចក្ដីលម្អិតម៉ូដែល
OpenVoice
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.
| អ្នកអភិវឌ្ឍន៍ & # 160; ៖ | MyShell.ai / MIT |
| អាជ្ញាបណ្ណ & # 160; ៖ | MIT |
| ល្បឿន | Medium |
| គុណភាព & # 160; ៖ | |
| ភាសា | 8 ភាសា |
| VRAM | 4GB |
| ការក្លូនសំឡេង | បានគាំទ្រ |
ព័ត៌មានជំនួយសម្រាប់លទ្ធផលល្អប្រសើរ
- ប្រើវណ្ណយុត្តត្រឹមត្រូវសម្រាប់ការផ្អាកធម្មជាតិ និងការបញ្ចេញសំឡេង
- អក្ខរាវិរុទ្ធលេខ និងអក្សរកាត់សម្រាប់ការបញ្ចេញសំឡេងច្បាស់ជាង
- បន្ថែមសញ្ញាក្បៀសដើម្បីបង្កើតការសម្រាកខ្លីរវាងឃ្លា
- ប្រើសញ្ញា (...) សម្រាប់ការផ្អាកដ៏វែងឆ្ងាយ
- ព្យាយាម Kokoro ឬ CosyVoice2សម្រាប់លទ្ធផលធម្មជាតិបំផុត
- ប្រើ Dia សម្រាប់ប្រអប់អ្នកនិយាយច្រើន និងមាតិកាផតខាស់
ការប្រើតួអក្សរ
| ផ្កាយ | តម្លៃក្នុងមួយតួអក្សរ 1K |
|---|---|
| ទំនេរ | ១: ១ (ឥតគិតថ្លៃ) |
| លំនាំដើម | 2 ពិន្ទុ / 1K តួអក្សរ |
| តម្លៃខ្ពស់ | 4 ពិន្ទុ / 1K តួអក្សរ |
របៀបដែល AI អត្ថបទទៅការនិយាយធ្វើការ
បង្កើតសំឡេងគុណភាពវិជ្ជាជីវៈក្នុងជំហានសាមញ្ញបី ។ គ្មានចំណេះដឹងបច្ចេកទេសដែលត្រូវការ ។
បញ្ចូលអត្ថបទរបស់អ្នក
វាយ បិទភ្ជាប់ ឬ ផ្ទុកឡើង អត្ថបទដែលអ្នកចង់បម្លែងទៅជាការនិយាយ & # 160; ។ គាំទ្ររហូតដល់ ៥, ០០០ តួអក្សរក្នុងមួយជំនាន់ សម្រាប់អ្នកប្រើដែលបានចូល & # 160; ។ ប្រើអត្ថបទធម្មតា ឬ បន្ថែមស្លាក SSML សម្រាប់ការត្រួតពិនិត្យកម្រិតខ្ពស់លើការបញ្ចេញសំឡេង ការផ្អាក និងការសង្កត់ធ្ងន់ & # 160; ។
ជ្រើសម៉ូដែល និងសំឡេង
ជ្រើសពី 20+ ម៉ូដែល AI លើបីកម្រិត។ ជ្រើសសំឡេងដែលសមនឹងមាតិការបស់អ្នកជ្រើសរើសភាសាគោលដៅរបស់អ្នកលៃតម្រូវល្បឿនចាក់ពី 0.5x ទៅ 2.0x និងជ្រើសទ្រង់ទ្រាយលទ្ធផលដែលអ្នកចូលចិត្ត (MP3, WAV, OGG, ឬ FLAC) ។
បង្កើត និងទាញយក
ចុច បង្កើត ហើយអូឌីយ៉ូរបស់អ្នកគឺរួចរាល់ក្នុងរយៈពេលពីរវិនាទី & # 160; ។ មើលជាមុនជាមួយកម្មវិធីចាក់ខាងក្នុង ទាញយកក្នុងទ្រង់ទ្រាយដែលបានជ្រើសរបស់អ្នក ឬចម្លងតំណដែលអាចចែករំលែកបាន & # 160; ។ ប្រើ API សម្រាប់ដំណើរការបាច់ និងការបញ្ចូលទៅក្នុងលំហូរការងាររបស់អ្នក & # 160; ។
អត្ថបទទៅប្រើករណីនិយាយ
AI-powered text-to-speech កំពុងផ្លាស់ប្តូររបៀបដែលមនុស្សបង្កើត បរិភោគ និងទំនាក់ទំនងជាមួយមាតិកាអូឌីយ៉ូនៅទូទាំងឧស្សាហកម្មជាច្រើន។
ម៉ូដែលអត្ថបទទៅជាការនិយាយទាំងអស់
ការបញ្ជាក់លម្អិតសម្រាប់ម៉ូដែល AI ទាំងអស់ដែលអាចរកបាននៅលើ TTS.ai ។ ប្រៀបធៀបគុណភាពល្បឿនការគាំទ្រភាសានិងលក្ខណៈពិសេសដើម្បីរកម៉ូដែលល្អឥតខ្ចោះសម្រាប់គម្រោងរបស់អ្នក។
Kokoro
Free
Kokoro គឺជាម៉ូដែលអត្ថបទទៅជាសំឡេងប៉ារ៉ាម៉ែត្រ 82 លាននាក់ដែលវាយល្អប្រសើរជាងថ្នាក់ទម្ងន់របស់ខ្លួន។ ទោះបីជាទំហំតូចក៏ដោយវាផលិតការនិយាយដែលគួរឱ្យកត់សម្គាល់និងមានលក្ខណៈធម្មជាតិ។ Kokoro គាំទ្រភាសាច្រើនរួមទាំងភាសាអង់គ្លេសជប៉ុនចិននិងកូរ៉េជាមួយនឹងសំឡេងបង្ហាញផ្សេងៗ។ វារត់យ៉ាងលឿនខ្លាំងណាស់ - បង្កើតអូឌីយ៉ូជិត 100x រហ័សជាងពេលពិតនៅលើ GPU ។
Hexgrad
Apache 2.0
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
1.5GB
គ្មាន
ទំនេរ
Piper
Free
Piper គឺជាម៉ាស៊ីនអត្ថបទទៅជាសំឡេងស្រាលដែលត្រូវបានអភិវឌ្ឍន៍ដោយ Rhasspy ដែលប្រើស្ថាបត្យកម្ម VITS និង larynx ។ វារត់ទាំងស្រុងនៅលើស៊ីភីយូធ្វើឱ្យវាសមស្របសម្រាប់ឧបករណ៍កំរិតស្វ័យប្រវត្តិកម្មផ្ទះនិងកម្មវិធីដែលត្រូវការ TTS ក្រៅបណ្តាញ។ ជាមួយនឹងសំឡេងជាង 100 លើភាសា 30 + Piper ផ្ដល់នូវការនិយាយដែលមានសំឡេងធម្មជាតិនៅល្បឿនពេលវេលាពិតប្រាកដសូម្បីតែនៅលើ Raspberry Pi 4។
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)
គ្មាន
ទំនេរ
VITS
Free
VITS (ការសន្និដ្ឋានខុសគ្នាជាមួយការរៀនដែលមានការប្រឈមមុខសម្រាប់ការរៀនពីចុងទៅចុងអត្ថបទទៅជាការនិយាយ) គឺជាវិធីសាស្ត្រ TTS មួយដែលបង្កើតសំឡេងធម្មជាតិជាងម៉ូដែលដំណាក់កាលពីរបច្ចុប្បន្ន។ វាប្រើការសន្និដ្ឋានខុសគ្នាដែលបានបង្កើនដោយការធ្វើឲ្យលំហូរធម្មតា និងដំណើរការហ្វឹកហាត់ដែលមានការប្រឈមមុខគ្នាដើម្បីសម្រេចបានការកែលម្អគួរឲ្យកត់សម្គាល់ក្នុងភាពធម្មជាតិ ។
Jaehyeon Kim et al.
MIT
Fast
en, zh, ja, ko
1GB
គ្មាន
ទំនេរ
MeloTTS
Free
MeloTTS ដោយ MyShell.ai គឺជាបណ្ណាល័យ TTS ច្រើនភាសាដែលគាំទ្រភាសាអង់គ្លេស (អាមេរិក, អង់គ្លេស, ឥណ្ឌា, អូស្ត្រាលី), អេស្ប៉ាញ, បារាំង, ចិន, ជប៉ុននិងកូរ៉េ។ វាគឺលឿនខ្លាំងណាស់, ដំណើរការអត្ថបទនៅល្បឿនពេលពិតប្រាកដនៅជិត CPU ម្នាក់ឯង។ MeloTTS ត្រូវបានរចនាឡើងសម្រាប់ការប្រើប្រាស់ផលិតកម្មនិងគាំទ្រទាំង CPU និង GPU និន្នាការ។
MyShell.ai
MIT
Fast
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
គ្មាន
ទំនេរ
Bark
Standard
Bark ដោយ Suno គឺជាម៉ូដែលអត្ថបទទៅជាអូឌីយ៉ូដែលមានមូលដ្ឋានលើការផ្លាស់ប្តូរដែលអាចបង្កើតការនិយាយជាភាសាច្រើនដែលពិតជាមានពិតប្រាកដនិងអូឌីយ៉ូផ្សេងទៀតដូចជាតន្ត្រីសំឡេងរំខានផ្ទៃខាងក្រោយនិងបែបផែនសំឡេង។ វាអាចផលិតការទំនាក់ទំនងមិននិយាយដូចជាការញញឹម យំ និងយំ។ Bark គាំទ្រជាង 100 ភាសានិង 13+ ភាសា។
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
គ្មាន
2x
Bark Small
Standard
Bark Small គឺជាកំណែដែលបានដកស្រង់ពីម៉ូដែល Bark ដែលផ្លាស់ប្ដូរគុណភាពអូឌីយ៉ូមួយចំនួនសម្រាប់ល្បឿនការសន្និដ្ឋានដែលលឿនជាងមុន និងតម្រូវការសតិទាបជាងមុន & # 160; ។ វារក្សាទុកសមត្ថភាពរបស់ Bark ដើម្បីបង្កើតការនិយាយជាមួយនឹងអារម្មណ៍ ភាពសប្បាយរីករាយ និងភាសាច្រើន & # 160; ។
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
គ្មាន
2x
CosyVoice 2
Standard
CosyVoice2ដោយ Alibaba's Tongyi Lab សម្រេចបាននូវគុណភាពនៃការនិយាយដែលប្រៀបធៀបមនុស្សជាមួយនឹងការពន្យារពេលទាបបំផុតធ្វើឱ្យវាសមស្របសម្រាប់កម្មវិធីពេលវេលាពិតប្រាកដ។ វាប្រើវិធីសាស្រ្ត quantumization scalar ដែលបានកំណត់សម្រាប់ការសំយោគស្ទ្រីមនិងគាំទ្រការចម្លងសំឡេងសូន្យការសំយោគភាសាឆ្លងកាត់និងការត្រួតពិនិត្យអារម្មណ៍ល្អ។ វាធ្វើបានល្អជាងប្រព័ន្ធ TTS ពាណិជ្ជកម្មជាច្រើននៅក្នុងការវាយតម្លៃ subjective ។
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
4GB
បាទ/ ចាស
2x
Dia TTS
Standard
Dia ដោយ Nari Labs គឺជាម៉ូដែលអត្ថបទ-ទៅ-ការនិយាយប៉ារ៉ាម៉ែត្រ 1.6B ដែលរចនាឡើងជាពិសេសសម្រាប់បង្កើតប្រអប់សំឡេងច្រើន។ វាអាចផលិតការសន្ទនាដែលមានសំឡេងធម្មជាតិរវាងអ្នកនិយាយពីរនាក់ជាមួយនឹងការផ្លាស់ប្តូរសមរម្យ prosody និងការបង្ហាញអារម្មណ៍។ Dia គឺល្អឥតខ្ចោះសម្រាប់បង្កើតមាតិកាបែបផែន Podcast ប្រអប់សំឡេងសៀវភៅអូឌីយ៉ូនិង AI និយាយអន្តរកម្ម។
Nari Labs
Apache 2.0
Medium
en
4GB
គ្មាន
2x
Parler TTS
Standard
Parler TTS គឺជាម៉ូដែលអត្ថបទទៅជាការនិយាយដែលប្រើសេចក្ដីពិពណ៌នាសំឡេងភាសាធម្មជាតិដើម្បីបញ្ជាការនិយាយដែលបានបង្កើត & # 160; ។ ជំនួសឲ្យការជ្រើសពីសំឡេងដែលបានកំណត់ជាមុន អ្នកពិពណ៌នាសំឡេងដែលអ្នកចង់បាន (ឧទាហរណ៍ "សំឡេងស្ត្រីដែលមានសំឡេងអង់គ្លេសបន្តិចបន្តួច និយាយយឺតៗ និងច្បាស់) ហើយ Parler បង្កើតការនិយាយដែលផ្គូផ្គងនឹងសេចក្ដីពិពណ៌នានោះ & # 160; ។ នេះធ្វើឲ្យវាមានភាពទន់ភ្លន់សម្រាប់កម្មវិធីច្នៃប្រឌិត & # 160; ។
Hugging Face
Apache 2.0
Medium
en
4GB
គ្មាន
2x
GLM-TTS
Standard
GLM-TTS by Zhipu AI isatext-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
4GB
បាទ/ ចាស
2x
IndexTTS-2
Standard
IndexTTS-2 គឺជាប្រព័ន្ធអត្ថបទទៅជាការនិយាយកម្រិតខ្ពស់ដែលល្អឥតខ្ចោះនៅក្នុងការសំយោគសំឡេងសូន្យគ្រាប់ជាមួយនឹងការត្រួតពិនិត្យអារម្មណ៍ល្អិតល្អន់ & # 160; ។ វាអាចបង្កើតការនិយាយជាមួយនឹងសំឡេងអារម្មណ៍ជាក់លាក់ដូចជាសប្បាយរីករាយ សោកសៅ ខឹង ឬភ័យខ្លាច ដោយមិនចាំបាច់ទិន្នន័យហ្វឹកហាត់អារម្មណ៍ជាក់លាក់ & # 160; ។ ម៉ូដែលប្រើវ៉ិចទ័រអារម្មណ៍ដើម្បីត្រួតពិនិត្យយ៉ាងត្រឹមត្រូវនូវការបង្ហាញអារម្មណ៍នៃការនិយាយដែលបានបង្កើត & # 160; ។
Index Team
Bilibili Model License
Medium
en, zh
4GB
បាទ/ ចាស
2x
Spark TTS
Standard
Spark TTS ដោយ SparkAudio គឺជាគំរូអត្ថបទទៅជាការនិយាយដែលរួមបញ្ចូលការចម្លងសំឡេងជាមួយនឹងអារម្មណ៍ដែលអាចគ្រប់គ្រងបាន និងរចនាប័ទ្មនិយាយ ។ ដោយប្រើតែ5វិនាទីនៃអូឌីយ៉ូយោង វាអាចចម្លងសំឡេង ហើយបង្កើតការនិយាយជាមួយនឹងអារម្មណ៍ ល្បឿន និងរចនាប័ទ្មផ្សេងគ្នា ខណៈពេលដែលរក្សាអត្តសញ្ញាណសំឡេងដែលបានចម្លង ។ Spark TTS ប្រើប្រព័ន្ធត្រួតពិនិត្យដែលមានមូលដ្ឋានលើការជូនដំណឹង ។
SparkAudio
CC BY-NC-SA 4.0
Medium
en, zh
4GB
បាទ/ ចាស
2x
GPT-SoVITS
Standard
GPT- SoVITS រួមបញ្ចូលការរចនាម៉ូដភាសារចនាប័ទ្ម GPT ជាមួយ SoVITS (ការច្រៀងសំឡេងតាមរយៈការបកប្រែ និងការសំយោគ) សម្រាប់ការក្លូនសំឡេងខ្លីមានឥទ្ធិពល ។ ជាមួយនឹងតិចជាង5វិនាទីនៃអូឌីយ៉ូយោង វាអាចក្លូនសំឡេងយ៉ាងត្រឹមត្រូវ និងបង្កើតការនិយាយថ្មីខណៈពេលរក្សាលក្ខណៈពិសេសតែមួយគត់របស់អ្នកនិយាយ ។ វាល្អបំផុតទាំងការនិយាយ និងការច្រៀងសំឡេង ។
RVC-Boss
MIT
Slow
en, zh, ja, ko
6GB
បាទ/ ចាស
2x
Orpheus
Standard
Orpheus គឺជាគំរូអត្ថបទទៅជាការនិយាយដែលមានទំហំធំដែលសម្រេចបាននូវការបង្ហាញអារម្មណ៍កម្រិតមនុស្ស & # 160; ។ បានហ្វឹកហាត់លើទិន្នន័យការនិយាយច្រើនជាង 100, 000 ម៉ោង វាល្អឥតខ្ចោះក្នុងការបង្កើតការនិយាយជាមួយនឹងអារម្មណ៍ធម្មជាតិ ការសង្កត់ធ្ងន់ និងរចនាប័ទ្មការនិយាយ & # 160; ។ Orpheus អាចផលិតការនិយាយដែលស្ទើរតែមិនអាចបំបែកបានពីការថតរបស់មនុស្ស & # 160; ។
Canopy Labs
Llama 3.2 Community
Medium
en
4GB
គ្មាន
2x
Chatterbox
Premium
Chatterbox ដោយ Resemble AI គឺជាម៉ូដែលចម្លងសំឡេងសូន្យដែលឈានមុខគេ។ វាអាចចម្លងសំឡេងណាមួយពីគំរូអូឌីយ៉ូតែមួយដែលមានភាពត្រឹមត្រូវគួរឱ្យកត់សម្គាល់មិនត្រឹមតែចាប់យកសំឡេងប៉ុណ្ណោះទេប៉ុន្តែថែមទាំងរចនាប័ទ្មនៃការនិយាយនិងភាពខុសគ្នានៃអារម្មណ៍។ Chatterbox ក៏មានលក្ខណៈពិសេសនៃការត្រួតពិនិត្យអារម្មណ៍ដែលល្អឥតខ្ចោះផងដែរដែលអនុញ្ញាតឱ្យអ្នកលៃតម្រូវសំឡេងអារម្មណ៍នៃសម្ដីដែលបង្កើតដោយឯករាជ្យពីអត្តសញ្ញាណសំឡេង។
Resemble AI
MIT
Medium
en
4GB
បាទ/ ចាស
4x
Tortoise TTS
Premium
Tortoise TTS គឺជាប្រព័ន្ធអត្ថបទទៅជាការនិយាយដែលមានសំឡេងច្រើនដែលមានការត្រឡប់ទៅវិញដោយស្វ័យប្រវត្តិ ដែលផ្តល់អាទិភាពដល់គុណភាពអូឌីយ៉ូលើល្បឿន & # 160; ។ វាប្រើស្ថាបត្យកម្មដែលមានការចាប់អារម្មណ៍ពី DALL- E ដើម្បីបង្កើតការនិយាយដែលមានលក្ខណៈធម្មជាតិខ្ពស់ជាមួយនឹងការនិយាយដ៏ល្អ និងភាពស្រដៀងគ្នារបស់អ្នកនិយាយ & # 160; ។ ខណៈពេលដែលយឺតជាងជម្រើសជាច្រើន Tortoise ផលិតការនិយាយដែលមានលក្ខណៈពិតបំផុតដែលអាចរកបានក្នុងប្រព័ន្ធបរិស្ថានប្រភពបើកចំហ & # 160; ។
James Betker
Apache 2.0
Slow
en
8GB
បាទ/ ចាស
4x
StyleTTS 2
Premium
StyleTTS2សម្រេចបានការសំយោគ TTS កម្រិតមនុស្សដោយបន្សំរចនាប័ទ្មចម្រុះជាមួយនឹងការហ្វឹកហាត់ប្រឆាំងគ្នាដោយប្រើម៉ូដែលភាសានិយាយធំ ។ វាបង្កើតការនិយាយដែលមានសំឡេងធម្មជាតិបំផុតក្នុងចំណោមម៉ូដែលអ្នកនិយាយតែម្នាក់ឯង ដែលប្រកួតប្រជែងនឹងការថតមនុស្ស ។ StyleTTS2ប្រើម៉ូដែលរចនាប័ទ្មដែលមានមូលដ្ឋានលើការចម្រុះដើម្បីចាប់យកជួរពេញលេញនៃភាពខុសគ្នានៃការនិយាយរបស់មនុស្ស ។
Columbia University
MIT
Medium
en
4GB
គ្មាន
4x
OpenVoice
Premium
OpenVoice ដោយ MyShell.ai អនុញ្ញាតឱ្យមានសំឡេងភ្លាមៗជាមួយការត្រួតពិនិត្យ granular លើរចនាប័ទ្មសំឡេងអារម្មណ៍, សំឡេង, វោហាសាស្ត្រ, វោហាសាស្ត្រ, ផ្អាក, និង intonation ។ វាអាចក្លូនសំឡេងពីវីដេអូអូឌីយ៉ូខ្លីនិងបង្កើតការនិយាយនៅក្នុងភាសាជាច្រើនខណៈពេលដែលរក្សាអត្តសញ្ញាណអ្នកនិយាយ។ OpenVoice ក៏មានមុខងារជាកម្មវិធីបម្លែងសំឡេងផងដែរដែលអនុញ្ញាតឱ្យមានការបម្លែងសំឡេងពេលវេលាពិត។
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
4GB
បាទ/ ចាស
4x
Qwen3 TTS
Standard
Qwen3-TTS គឺជាម៉ូដែលអត្ថបទ-ទៅ-ការនិយាយដែលមានប៉ារ៉ាម៉ែត្រ 1.7 ពាន់លានដុល្លារពីក្រុម Qwen របស់ Alibaba ។ វាគាំទ្ររបៀបបីគឺ៖ កំណត់សំឡេងជាមុនជាមួយការគ្រប់គ្រងអារម្មណ៍ (9 ធុងបាស) ការចម្លងសំឡេងពី3វិនាទីនៃអូឌីយ៉ូនិងរបៀបរចនាសំឡេងតែមួយគត់ដែលអ្នកអាចពិពណ៌នាសំឡេងដែលអ្នកចង់បានក្នុងភាសាធម្មជាតិ។ វាគ្របដណ្តប់លើភាសា 10 ជាមួយនឹងការបង្ហាញខ្ពស់និង prosody ធម្មជាតិ។
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
បាទ/ ចាស
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) គឺជាម៉ូដែលប៉ារ៉ាម៉ែត្រមួយពាន់លានដែលបានរចនាឡើងជាពិសេសសម្រាប់បង្កើតការនិយាយការសន្ទនា & # 160; ។ វាធ្វើម៉ូដែលលំនាំធម្មជាតិនៃការសន្ទនារបស់មនុស្សរួមទាំងការកំណត់ពេលវេលាការឆ្លើយតប backchannel ការឆ្លើយតបផ្លូវអារម្មណ៍ និងលំហូរការសន្ទនា & # 160; ។ CSM បង្កើតអូឌីយ៉ូដែលមានសំឡេងដូចជាការសន្ទនាមនុស្សធម្មតាជំនួសឲ្យការនិយាយសរីរាង្គ & # 160; ។
Sesame
Apache 2.0
Slow
en
8GB
គ្មាន
4x
Chatterbox Turbo
Standard
Chatterbox Turbo ដោយ Resemble AI គឺជាការធ្វើឱ្យប្រសើរប៉ារ៉ាម៉ែត្រ 350M ទៅ Chatterbox, ផ្គត់ផ្គង់រហូតដល់ទៅ 6x ល្បឿនពេលវេលាពិតប្រាកដជាមួយនឹងការពន្យារពេលក្រោម 200ms. វាគាំទ្រស្លាក paralinguistic ដូចជា [លាន់មាត់], [ហៀរសំបោរ], និង [ញញឹម] ដោយផ្ទាល់នៅក្នុងអត្ថបទ. រួមបញ្ចូលទាំងការដាក់ស្លាកទឹក Perth លើអូឌីយ៉ូដែលបានបង្កើតទាំងអស់សម្រាប់តាមដានប្រភព.
Resemble AI
MIT
Fast
en
2GB
បាទ/ ចាស
2x
Zonos
Standard
Zonos v0.1 ដោយ Zyphra គឺជាម៉ូដែលប៉ារ៉ាម៉ែត្រ 1.6B ជាមួយនឹងការត្រួតពិនិត្យអារម្មណ៍ល្អិតល្អន់ជាមួយនឹងគ្រាប់រំកិលសម្រាប់សេចក្តីសុខ, ខឹង, សោកសៅ, ភ័យខ្លាចនិងភ្ញាក់ផ្អើល។ វាផ្តល់ជូនទាំង Transformer និង SSM ថ្មី (ម៉ូដែលចន្លោះរដ្ឋ) ចម្រុះ។ បណ្តុះបណ្តាលលើ 200K + ម៉ោងនៃការនិយាយជាភាសាច្រើនជាមួយការចម្លងសំឡេងសូន្យពី 10-30 វិនាទីនៃអូឌីយ៉ូយោង។
Zyphra
Apache 2.0
Medium
en, ja, zh, fr, de
6GB
បាទ/ ចាស
2x
Dia 2
Standard
Dia2 ដោយ Nari Labs គឺជាការធ្វើឲ្យប្រសើរឡើងជាលើកដំបូងទៅកាន់ Dia ដែលអាចរកបាននៅក្នុងប៉ារ៉ាម៉ែត្រ 1B និង 2B ។ វាចាប់ផ្ដើមបង្កើតអូឌីយ៉ូពីតួអក្សរដំបូងដែលធ្វើឲ្យវាល្អឥតខ្ចោះសម្រាប់ភ្នាក់ងារសំឡេងពេលវេលាពិត និងបំពង់សំឡេងទៅកាន់សំឡេង ។ គាំទ្រប្រអប់អ្នកនិយាយច្រើនជាមួយនឹងស្លាក [S1] / [S2] និង paralinguistic cues ដូចជា (លាន់មាត់), (ក្អក) ។
Nari Labs
Apache 2.0
Fast
en
4GB
គ្មាន
2x
VoxCPM
Standard
VoxCPM 1.5 ដោយ OpenBMB គឺជាម៉ូដែល TTS ថ្មីដែលគ្មាន tokenizer ដែលដំណើរការនៅក្នុងចន្លោះបន្តបន្ទាប់ជំនួសឱ្យតួអក្សរឯកជន។ វាផលិតអូឌីយ៉ូ 44.1kHz គុណភាពខ្ពស់គាំទ្រការចម្លងសំឡេងសូន្យពី 3-10 វិនាទីនិងរក្សាភាពឆបគ្នាតាមខ. ការចម្លងភាសាឆ្លងអនុញ្ញាតឱ្យអ្នកអនុវត្តសំឡេងអង់គ្លេសទៅជាសម្ដីចិននិង vice versa ។
OpenBMB
Apache 2.0
Fast
en, zh
4GB
បាទ/ ចាស
2x
OuteTTS
Free
OuteTTS ពង្រីកម៉ូដែលភាសាធំ ៗ ជាមួយសមត្ថភាពអត្ថបទទៅជាសំឡេង ខណៈពេលដែលរក្សាទុកស្ថាបត្យកម្មដើម។ វាគាំទ្រ backends ច្រើនរួមទាំង llama.cpp (CPU / GPU), Hugging Face Transformers, ExLlamaV2, VLLM និងសូម្បីតែការសន្និដ្ឋានកម្មវិធីរុករកតាមរយៈ Transformers.js ។ លក្ខណៈពិសេសការចម្លងសំឡេងដោយគ្មានការថតតាមរយៈទម្រង់អ្នកនិយាយដែលបានរក្សាទុកជា JSON ។
OuteAI
Apache 2.0
Fast
en
2GB
បាទ/ ចាស
ទំនេរ
TADA
Standard
TADA (ការតម្រឹមអត្ថបទ-សំឡេងពីរ) ដោយ Hume AI គឺជាម៉ូដែល TTS ដ៏អស្ចារ្យដែលលុបបំបាត់ការភាន់ច្រឡំតាមរយៈស្ថាបត្យកម្មតម្រឹមពីរថ្មីដែលសាងសង់លើ Llama 3.2 ។ មាននៅក្នុង 1B (ភាសាអង់គ្លេស) និង 3B (ភាសាច្រើន) កំណែ TADA សម្រេចបាននូវ RTF នៃ 0.09 - 5x រហ័សជាងម៉ូដែល TTS ផ្អែកលើ LLM ដែលអាចប្រៀបធៀបបាន។ វាគាំទ្រដល់ 700 វិនាទីនៃបរិបទអូឌីយ៉ូនិងផលិតការនិយាយប្រកបដោយអារម្មណ៍ដោយគ្មានការភាន់ច្រឡំលើស្តង់ដារស្តង់ដារ។
Hume AI
MIT
Fast
en
5GB
គ្មាន
2x
VibeVoice
Standard
VibeVoice របស់ Microsoft មានពីរប្រភេទ: ម៉ូដែល 1.5B សម្រាប់មាតិកាដែលមានទម្រង់វែង (រហូតដល់ទៅ 90 នាទី,4អ្នកនិយាយ) និង ម៉ូដែល Realtime 0.5B សម្រាប់ស្ទ្រីមជាមួយ ~ 200ms ភាពយឺតយ៉ាវអូឌីយ៉ូដំបូង។ ប្រភេទ 1.5B ល្អប្រសើរនៅ ផតខាស់ និង សៀវភៅអូឌីយ៉ូជាមួយនឹងភាពឆបគ្នានៃអ្នកនិយាយលើការឆ្លងកាត់វែង។ ចំណាំ: ក្រុមហ៊ុន Microsoft បានយកកូដ TTS ពីឃ្លាំង និង បង្កើត អូឌីយ៉ូ រួមមាន ការ ដក ចេញ AI ដែល ឮ ។
Microsoft
MIT
Fast
en, zh
4GB
គ្មាន
2x
Pocket TTS
Free
Pocket TTS ដោយ Kyutai (អ្នកបង្កើត Moshi) គឺជាម៉ូដែលអត្ថបទ-ទៅ-ការនិយាយប៉ារ៉ាម៉ែត្រ 100M ដ៏តូចមួយដែលវាយលុកល្អប្រសើរជាងទំងន់របស់វា។ វារត់យ៉ាងមានប្រសិទ្ធភាពនៅលើស៊ីភីយូគាំទ្រការចម្លងសំឡេងសូន្យពីគំរូអូឌីយ៉ូតែមួយនិងផលិតការនិយាយដែលមានសំឡេងធម្មជាតិ។ ទំហំម៉ូដែលតូចធ្វើឱ្យវាសមស្របសម្រាប់បញ្ជូនច្រកនិងបរិស្ថានដែលមានធនធានទាប។
Kyutai
MIT
Fast
en, fr
1GB
បាទ/ ចាស
ទំនេរ
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
គ្មាន
ទំនេរ
CosyVoice3
Standard
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.
Alibaba (FunAudioLLM)
Apache 2.0
Fast
en, zh, ja, ko, de, es, fr, it, ru
4GB
បាទ/ ចាស
2x
MOSS-TTS
Premium
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.
OpenMOSS
Apache 2.0
Medium
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
16GB
បាទ/ ចាស
4x
MegaTTS3
Premium
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.
ByteDance
Apache 2.0
Slow
en, zh
8GB
បាទ/ ចាស
4x
Kokoro
ទំនេរ
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
ទំនេរ
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
ទំនេរ
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
ទំនេរ
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
OuteTTS
ទំនេរ
OuteTTS extends large language models with text-to-speech capabilities while preserving the original architecture. It supports multiple backends including llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, and even browser inference via Transformers.js. Features zero-shot voice cloning through speaker profiles saved as JSON.
OuteAI
Apache 2.0
Fast
Pocket TTS
ទំនេរ
Pocket TTS by Kyutai (creators of Moshi) is a compact 100M parameter text-to-speech model that punches well above its weight. It runs efficiently on CPU, supports zero-shot voice cloning from a single audio sample, and produces natural-sounding speech. The small model size makes it ideal for edge deployment and low-resource environments.
Kyutai
MIT
Fast
Kitten TTS
ទំនេរ
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
លំនាំដើម
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
គ្មាន
Bark Small
លំនាំដើម
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
គ្មាន
CosyVoice 2
លំនាំដើម
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
បាទ/ ចាស
Dia TTS
លំនាំដើម
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
គ្មាន
Parler TTS
លំនាំដើម
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
គ្មាន
GLM-TTS
លំនាំដើម
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
បាទ/ ចាស
IndexTTS-2
លំនាំដើម
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
បាទ/ ចាស
Spark TTS
លំនាំដើម
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
បាទ/ ចាស
GPT-SoVITS
លំនាំដើម
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
បាទ/ ចាស
Orpheus
លំនាំដើម
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
គ្មាន
Qwen3 TTS
លំនាំដើម
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
បាទ/ ចាស
Chatterbox Turbo
លំនាំដើម
Chatterbox Turbo by Resemble AI is a 350M parameter upgrade to Chatterbox, delivering up to 6x real-time speed with sub-200ms latency. It supports paralinguistic tags like [laugh], [cough], and [chuckle] directly in text. Includes Perth watermarking on all generated audio for provenance tracking.
Resemble AI
MIT
Fast
en
បាទ/ ចាស
Zonos
លំនាំដើម
Zonos v0.1 by Zyphra is a 1.6B parameter model featuring fine-grained emotion control with sliders for happiness, anger, sadness, fear, and surprise. It offers both a Transformer and a novel SSM (state-space model) variant. Trained on 200K+ hours of multilingual speech with zero-shot voice cloning from 10-30 seconds of reference audio.
Zyphra
Apache 2.0
Medium
en, ja, zh, fr, de
បាទ/ ចាស
Dia 2
លំនាំដើម
Dia2 by Nari Labs is a streaming-first upgrade to Dia, available in 1B and 2B parameter variants. It begins synthesizing audio from the first few tokens, making it ideal for real-time voice agents and speech-to-speech pipelines. Supports multi-speaker dialogue with [S1]/[S2] tags and paralinguistic cues like (laughs), (coughs).
Nari Labs
Apache 2.0
Fast
en
គ្មាន
VoxCPM
លំនាំដើម
VoxCPM 1.5 by OpenBMB is a novel tokenizer-free TTS model that operates in continuous space rather than discrete tokens. It produces high-fidelity 44.1kHz audio, supports zero-shot voice cloning from 3-10 seconds, and maintains consistency across paragraphs. Cross-language cloning lets you apply an English voice to Chinese speech and vice versa.
OpenBMB
Apache 2.0
Fast
en, zh
បាទ/ ចាស
TADA
លំនាំដើម
TADA (Text-Acoustic Dual Alignment) by Hume AI is a groundbreaking TTS model that eliminates hallucinations through a novel dual alignment architecture built on Llama 3.2. Available in 1B (English) and 3B (multilingual) variants, TADA achieves an RTF of 0.09 — 5x faster than comparable LLM-based TTS models. It supports up to 700 seconds of audio context and produces emotionally expressive speech with zero hallucinations on standard benchmarks.
Hume AI
MIT
Fast
en
គ្មាន
VibeVoice
លំនាំដើម
VibeVoice from Microsoft generates long-form speech up to 90 minutes with support for 4 simultaneous speakers, making it ideal for podcasts and dialogues. The Realtime 0.5B variant achieves ~300ms latency for interactive use. Supports speaker tags for multi-turn dialogue generation.
Microsoft
MIT
Fast
en, zh
គ្មាន
CosyVoice3
លំនាំដើម
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.
Alibaba (FunAudioLLM)
Apache 2.0
Fast
en, zh, ja, ko, de, es, fr, it, ru
បាទ/ ចាស
Chatterbox
តម្លៃខ្ពស់
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
បាទ/ ចាស
4GB
4x
Tortoise TTS
តម្លៃខ្ពស់
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
បាទ/ ចាស
8GB
4x
StyleTTS 2
តម្លៃខ្ពស់
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
គ្មាន
4GB
4x
OpenVoice
តម្លៃខ្ពស់
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
បាទ/ ចាស
4GB
4x
Sesame CSM
តម្លៃខ្ពស់
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
គ្មាន
8GB
4x
MOSS-TTS
តម្លៃខ្ពស់
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.
OpenMOSS
Apache 2.0
Medium
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
បាទ/ ចាស
16GB
4x
MegaTTS3
តម្លៃខ្ពស់
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.
ByteDance
Apache 2.0
Slow
en, zh
បាទ/ ចាស
8GB
4x
តារាងប្រៀបធៀបម៉ូដែល
| ម៉ូដែល | អ្នកអភិវឌ្ឍន៍ & # 160; ៖ | ផ្កាយ | គុណភាព & # 160; ៖ | ល្បឿន | ភាសា | ការក្លូនសំឡេង | VRAM | អាជ្ញាបណ្ណ & # 160; ៖ | ក្រេឌីត | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | ទំនេរ | ប្រើ | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | ទំនេរ | ប្រើ | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | ទំនេរ | ប្រើ | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | ទំនេរ | ប្រើ | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | ប្រើ | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | ប្រើ | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | ប្រើ | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | ប្រើ | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | ប្រើ | ||
| GLM-TTS | Zhipu AI | Standard | Medium | 2 | 4GB | GLM-4 License | 2 | ប្រើ | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Bilibili Model License | 2 | ប្រើ | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | ប្រើ | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | ប្រើ | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | ប្រើ | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | ប្រើ | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | ប្រើ | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | ប្រើ | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | ប្រើ | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | ប្រើ | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | ប្រើ | ||
| Chatterbox Turbo | Resemble AI | Standard | Fast | 1 | 2GB | MIT | 2 | ប្រើ | ||
| Zonos | Zyphra | Standard | Medium | 5 | 6GB | Apache 2.0 | 2 | ប្រើ | ||
| Dia 2 | Nari Labs | Standard | Fast | 1 | 4GB | Apache 2.0 | 2 | ប្រើ | ||
| VoxCPM | OpenBMB | Standard | Fast | 2 | 4GB | Apache 2.0 | 2 | ប្រើ | ||
| OuteTTS | OuteAI | Free | Fast | 1 | 2GB | Apache 2.0 | ទំនេរ | ប្រើ | ||
| TADA | Hume AI | Standard | Fast | 1 | 5GB | MIT | 2 | ប្រើ | ||
| VibeVoice | Microsoft | Standard | Fast | 2 | 4GB | MIT | 2 | ប្រើ | ||
| Pocket TTS | Kyutai | Free | Fast | 2 | 1GB | MIT | ទំនេរ | ប្រើ | ||
| Kitten TTS | KittenML | Free | Fast | 1 | 0GB | Apache 2.0 | ទំនេរ | ប្រើ | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | Fast | 9 | 4GB | Apache 2.0 | 2 | ប្រើ | ||
| MOSS-TTS | OpenMOSS | Premium | Medium | 19 | 16GB | Apache 2.0 | 4 | ប្រើ | ||
| MegaTTS3 | ByteDance | Premium | Slow | 2 | 8GB | Apache 2.0 | 4 | ប្រើ |
វេទិកាអត្ថបទទៅជាការនិយាយរបស់ AI ដែលមានលក្ខណៈទូលំទូលាយបំផុត
ហេតុអ្វីបានជាជ្រើសរើស TTS.ai សម្រាប់អត្ថបទទៅជាសម្ដី?
TTS.ai នាំមកនូវម៉ូដែលអត្ថបទ-ទៅ-ការនិយាយដែលមានប្រភពបើកចំហល្អបំផុតនៅលើពិភពលោកនៅក្នុងវេទិកាតែមួយងាយស្រួលប្រើ។ មិនដូចសេវាកម្មដែលមានកម្មសិទ្ធិដែលចាក់សោអ្នកនៅក្នុងម៉ាស៊ីនសំឡេងតែមួយទេ TTS.ai ផ្តល់ឱ្យអ្នកនូវការចូលដំណើរការទៅម៉ូដែល 20+ ពីមន្ទីរពិសោធន៍ស្រាវជ្រាវឈានមុខគេរួមមាន Coqui, MyShell, Amphion, NVIDIA, Suno, HuggingFace, សាកលវិទ្យាល័យ Tsinghua និងច្រើនទៀត។
ម៉ូដែលនីមួយៗគឺជាប្រភពបើកចំហក្រោម MIT, Apache 2.0 ឬអាជ្ញាប័ណ្ណអនុញ្ញាតស្រដៀងគ្នាដែលធានាថាអ្នកមានសិទ្ធិពាណិជ្ជកម្មពេញលេញដើម្បីប្រើអូឌីយ៉ូដែលបានបង្កើតក្នុងគម្រោងរបស់អ្នក ។ ថាតើអ្នកត្រូវការការបញ្ចូលគ្នាលឿន និងស្រាលសម្រាប់កម្មវិធីពេលវេលាពិត ឬលទ្ធផលគុណភាពស្ទូឌីយោខ្ពស់សម្រាប់សៀវភៅអូឌីយ៉ូ និងផតខាស់ TTS.ai មានម៉ូដែលត្រឹមត្រូវសម្រាប់ករណីប្រើនីមួយៗ ។
ម៉ូដែលឥតគិតថ្លៃ, គ្មានគណនីដែលត្រូវការ
ចាប់ផ្ដើមភ្លាមៗជាមួយម៉ូដែល TTS ឥតគិតថ្លៃបី: Piper (លឿនខ្លាំង, ទម្ងន់ស្រាល), VITS (ការសំយោគសរសៃប្រសាទដែលមានគុណភាពខ្ពស់) និង MeloTTS (ការគាំទ្រភាសាច្រើន) ។ គ្មានការចុះឈ្មោះ, គ្មានកាតឥណទាន, គ្មានដែនកំណត់លើជំនាន់។ ម៉ូដែលឥតគិតថ្លៃគាំទ្រភាសាអង់គ្លេសនិងភាសាផ្សេងទៀតជាច្រើនជាមួយលទ្ធផលសំឡេងធម្មជាតិសមរម្យសម្រាប់កម្មវិធីភាគច្រើន។
ការដំណើរការដែលបានបង្កើនល្បឿនដោយ GPU
ម៉ូដែល TTS ទាំងអស់រត់នៅលើ GPU NVIDIA ដែលបានដាក់បញ្ចូលសម្រាប់ពេលវេលាបង្កើតដែលឆាប់រហ័សនិងមានស្ថេរភាព។ ម៉ូដែលឥតគិតថ្លៃជាធម្មតាបង្កើតអូឌីយ៉ូក្នុងរយៈពេលក្រោម2វិនាទី។ ម៉ូដែលស្តង់ដារដូចជា Kokoro, CosyVoice2និង Bark មធ្យម 3-5 វិនាទី។ ម៉ូដែល Premium ដែលមានគុណភាពខ្ពស់បំផុតដូចជា Tortoise និង Chatterbox ដំណើរការក្នុងរយៈពេល 5-15 វិនាទីអាស្រ័យលើប្រវែងអត្ថបទ។
30+ ភាសាដែលគាំទ្រ
បង្កើតការនិយាយក្នុងភាសាជាង 30 រួមមាន ភាសាអង់គ្លេស អេស្ប៉ាញ បារាំង អាល្លឺម៉ង់ អ៊ីតាលី ព័រទុយហ្គាល់ ចិន ជប៉ុន កូរ៉េ អារ៉ាប់ ឥណ្ឌា រុស្ស៊ី និងច្រើនទៀត ។ ម៉ូដែលជាច្រើនគាំទ្រការបង្កើតភាសាឆ្លងគ្នា មានន័យថា អ្នកអាចបង្កើតការនិយាយក្នុងភាសាដែលសំឡេងដើមមិនធ្លាប់បានហ្វឹកហាត់លើ ។ CosyVoice2និង GPT-SoVITS ល្អបំផុតនៅការចម្លងសំឡេងភាសាឆ្លង ។
API រួចរាល់សម្រាប់អ្នកអភិវឌ្ឍន៍
រួមបញ្ចូល TTS.ai ទៅក្នុងកម្មវិធីរបស់អ្នកជាមួយ OpenAI-សមរម្យ REST API របស់យើង។ ចំណុចបញ្ចប់មួយសម្រាប់ម៉ូដែលទាំងអស់ 20 + ។ Python, JavaScript, cURL និង Go SDKs ។ ការគាំទ្រស្ទ្រីមសម្រាប់កម្មវិធីពេលវេលាពិតប្រាកដ។ ការដំណើរការបាច់សម្រាប់បង្កើតមាតិកាធំ ៗ ។ Webhooks សម្រាប់ការជូនដំណឹង async ។ មាននៅលើផែនការ Pro និង Enterprise ។
សំណួរដែលសួរញឹកញាប់
តើយើងអាចធ្វើអ្វីបានប្រសើរឡើង & # 160;? មតិយោបល់របស់អ្នកជួយយើងជួសជុលបញ្ហា & # 160; ។
ចាប់ផ្ដើមបម្លែងអត្ថបទទៅជាការនិយាយឥឡូវ
ចូលរួមជាមួយអ្នកបង្កើតរាប់ពាន់នាក់ដោយប្រើ TTS.ai. ទទួលបាន 15,000 តួអក្សរដោយឥតគិតថ្លៃជាមួយគណនីថ្មីមួយ. ម៉ូដែលឥតគិតថ្លៃដែលអាចប្រើបានដោយគ្មានការចុះឈ្មោះ.