ಮಾತಾಡಲಿಕ್ಕಾಗಿ ಒಂದು II ಪಠ್ಯ
ಮುಕ್ತ- ಪ್ರಕ್ಷೇಪಣಾ ಕ್ರಮದೊಂದಿಗೆ ಪಠ್ಯವನ್ನು ನಿಸರ್ಗ- ಧ್ವನಿಗೆ ಬದಲಾಯಿಸು. ಬಳಸಲು ಸ್ವತಂತ್ರ, ಯಾವುದೇ ಖಾತೆ ಅಗತ್ಯವಿಲ್ಲ.
ನಿಖರವಾದ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ನಿಮ್ಮ ಪಠ್ಯವನ್ನು SSML ಟ್ಯಾಗ್ಗಳಲ್ಲಿ ಭದ್ರಗೊಳಿಸು:
<speak><prosody rate="slow">Slow speech</prosody></speak>
ಆಯ್ಕೆ ಮಾಡಲಾದ ಮಾದರಿಗೆ ಗೊಂಬೆ ಹಾಕಿದರೆ ಅದು ನಡೆಯುವ ನಿಮ್ಮ ಪಠ್ಯದಲ್ಲಿ ಒಂದನ್ನು ಹಾಕಲು ಒತ್ತಿ:
ಈ ನಮೂನೆಯನ್ನು ಸರಳ ಪಠ್ಯವಾಗಿ ಓದುವುದರಿಂದ, ಆನ್ಲೈನ್ ಟ್ಯಾಗ್ಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ. ಟ್ಯಾಗ್- ಸಂಬಂಧಿತ ಭಾವನಾತಕ್ಕಾಗಿ, ಆರೆಫಸ್ ಅಥವ ಬಾರ್ಕ್ ನಂತಹ ಒಂದು ಚಿತ್ರಾಂಶದ ನಮೂನೆಗೆ ಬದಲಾಯಿಸಲಾಗುತ್ತದೆ.
ಗ್ರಾಹಕೀಯ ಉದ್ಧರಣೆಗಳನ್ನು (ಮಾತು = ಉಚ್ಚಾರಣೆಯನ್ನು) ಅರ್ಥನಿರೂಪಿಸು:
ಮಾದರಿ ವಿವರಗಳು
Indic Parler TTS
Indic Parler TTS by AI4Bharat extends the Parler architecture to Indian languages, generating natural speech in Tamil, Bengali, Marathi, Gujarati, Kannada, Punjabi, Odia, Assamese, Hindi, Telugu, Malayalam and English. Like Parler, you describe the voice you want in plain language and the model matches it — no preset voices required. Trained on AI4Bharat speech corpora for authentic pronunciation and prosody across the Indian subcontinent.
| ವಿಕಾಸಕ: | AI4Bharat |
| ಪರವಾನಗಿ: | Apache 2.0 |
| ವೇಗ | ನಿಧಾನ |
| ಗುಣಮಟ್ಟ: | |
| ಭಾಷೆಗಳು | 12 ಭಾಷೆಗಳು |
| ವೈರಾಮ್ | 8GB |
| ಧ್ವನಿ ಕೆರಳುವಿಕೆ | ಬೆಂಬಲಿತವಲ್ಲ |
ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗೆ ಸಲಹೆಗಳು
- ನ್ಯಾವಿಗೇಶನ್ ವಿದ್ಯುತ್ಕೋಶಗಳಿಗೆ ಮತ್ತು ವಿಭಜಕಕ್ಕೆ ಸರಿಯಾದ ತಾರ್ಕಿಕ ಕ್ರಮವನ್ನು ಬಳಸು. NAME OF TRANSLATORS
- ಸ್ಪಷ್ಟವಾದ ಉಚ್ಚರಣೆಗಾಗಿ ಗೂಢಲಿಪೀಕರಿಸುವ ಸಂಖ್ಯೆಗಳು ಹಾಗು ಸನ್ನೆಗಳು
- ಗೂಢಲಿಪೀಕರಿಸಲಾದ ಸಂಜ್ಞೆಗಳಿಗೆ ಅಡ್ಡಹೆಸರನ್ನು ಸೇರಿಸಿ
- ದೀರ್ಘಪ್ರವೇಶಗಳಿಗೆ ಎಲಿಪೊಲಿಕ್ಸನ್ನು ಬಳಸಿ (...) Name
- [ ಪುಟ 11ರಲ್ಲಿರುವ ಸಂಕ್ಷಿಪ್ತ ವಿವರಣ
- ಬಹುಮಾಧ್ಯಮ- ಪ್ರಕ್ಷೇಪಕದ ಸಂವಾದ ಮತ್ತು ಪೋರ್ಕಲ್ನ ಒಳಪಿಡಿಯನ್ನು ಬಳಸು
ಅಕ್ಷರ ಬಳಕೆ
| ಟೈಅರ್ | ಬೆಲೆ |
|---|---|
| ಉಚಿತ | ೦ ರದ್ದುಗಳು (ಅನಿಶ್ಚಿತ) |
| ಶಿಷ್ಟ | ದ್ವಿಪ್ರತಿಗಳು / 1K ಅಕ್ಷರಗಳು |
| ಪ್ರೀಮಿಯಾಮ್ | 4 ಶ್ಲಾಘನೆಗಳು / 1K ಅಕ್ಷರಗಳು |
ಮಾತಿನ ಕಲೆಯನ್ನು ಕಲಿಸುವ II ವಚನ
ವೃತ್ತಿ- ವ್ಯವಸ್ಥಿತ ಶ್ರೇಣಿಯನ್ನು ಮೂರು ಸರಳ ಹೆಜ್ಜೆಗಳಲ್ಲಿ ಉತ್ಪಾದಿಸು. ಯಾವುದೇ ತಂತ್ರಜ್ಞಾನ ಜ್ಞಾನದ ಅಗತ್ಯವಿಲ್ಲ.
ಪಠ್ಯವನ್ನು ನಮೂದಿಸು
ನೀವು ಬಳಸಲು ಬಯಸುವ ಪಠ್ಯವನ್ನು ಟೈಪ್ ಮಾಡು, ಅಂಟಿಸು, ಅಥವಾ ಉತ್ಥಾಪಿಸು. ಪೀಳಿಗೆಗೆ 5,000 ಅಕ್ಷರಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಸುಧಾರಿತ ಒಗ್ಗೂಡಿಸುವಿಕೆ, ವಿರಾಮ, ಮತ್ತು ಒತ್ತುವಿಕೆಗಾಗಿ ఎస్. ಎಸ್. ಎಸ್. ಎಮ್. ಎಮ್. ಎಲ್ ಟ್ಯಾಗ್ಗಳನ್ನು ಸೇರಿಸಿ.
ಮಾದರಿ ಮತ್ತು ಧ್ವನಿಯನ್ನು ಆರಿಸು
೨೦++ ಹಲವು ಹಲವು ಸ್ಟ್ರೀಟ್ಹೋಲ್ಡರ್ನ ಪಕ್ಕದಲ್ಲಿಯ ಒಂದು ಭಾಷೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿ. ನಿಮ್ಮ ತಾರ್ಕಣೆಗೆ ಸರಿಹೊಂದುವ ಶಬ್ದವೊಂದನ್ನು ಆರಿಸಿ, ನಿಮ್ಮ ಗುರಿಯ ಭಾಷೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿ, 0. ೦xನಿಂದ 2. 0x ನ್ನು ಹೊಂದಿಸಿ, ನಿಮ್ಮ ಐಚ್ಛಿಕ ಪ್ರದಾನ ಶೈಲಿಯನ್ನು (MMP3, OAG, OGC) ಅಥವಾ FLC ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಿ.
ನಕಲಿಳಿಸು( O)
ನಿಮ್ಮ ಆಡಿಯೊವನ್ನು ತಯಾರಿಸಿ ಹಾಗು ಅದನ್ನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಸಿದ್ಧಗೊಳಿಸಿ. print ಪ್ಲೇಯರ್ನಲ್ಲಿನ ಮುನ್ನೋಟ, ಆಯ್ಕೆ ಮಾಡಲಾದ ವಿನ್ಯಾಸದಲ್ಲಿ ನಕಲಿಸುವಿಕೆ, ಅಥವಾ ಹಂಚಬಹುದಾದ ಕೊಂಡಿಯನ್ನು ನಕಲಿಸುವುದು. CAPI ಅನ್ನು ಬಳಸಿ ನಿಮ್ಮ ಕೆಲಸವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆ ಹಾಗು ಒಗ್ಗೂಡಿಸುವಿಕೆ
ಮಾತಿನ ಕೇಸ್ಗಳಿಗೆ ಪಠ್ಯ
ಒಂದು ತಂತ್ರಾಂಶ- ಸಾಮರ್ಥ್ಯವಿರುವ ಪಠ್ಯ- ಸಂವಾದವು ಜನರು ಹೇಗೆ ಸೃಷ್ಟಿಸುತ್ತಾರೆ, ಸೇವನಾರ್ಥಿ (ಇಂಟರ್ಫೇಸ್), ಸೇವನಾರ್ಥಿ (ಡಿಜಿಟಲ್) ಗಣಿತ ವಿದ್ಯುತ್ಕಾರಕಾದ್ಯಂತ ಆಡಿಯೋ ಸಂಬಂಧಿತವಾಗಿ ಸಂಪಾದನೆ ಮಾಡುತ್ತಿದೆ.
ಮಾತಿನ ಮಾದರಿಗೆ ಎಲ್ಲಾ ಪಠ್ಯ
Detailed specifications for every AI model available on TTS.ai. Compare quality, speed, language support, and features to find the perfect model for your project.
Kokoro
Free
ಕೋಕೋರೋ ೨೦೦೦ ಮಿಲಿಯಷ್ಟು ಪ್ರಮಾಣದ ಅಕ್ಷರಮಾಲೆಯ ಮಾದರಿ. ಇದು ಅದರ ತೂಕದ ವರ್ಗಕ್ಕಿಂತ ಚೆನ್ನಾಗಿ ಅಚ್ಚೊತ್ತುತ್ತದೆ. ಇದು ಗಣಿತ ಗಾತ್ರದಷ್ಟಾದರೂ, ಗಣನೀಯವಾಗಿ ಸ್ವಾಭಾವಿಕವಾದ ಹಾಗೂ ಲಘುಭಾಷೆಯ ನುಡಿಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಕೋಕೋರೋ, ಚೀನೀ, ಚೀನೀ ಮತ್ತು ಕೊರಿಯನ್ ಭಾಷೆಗಳನ್ನೂ ನಾನಾ ರೀತಿಯ ಧ್ವನಿ ಶಬ್ದಗಳೊಂದಿಗೆ ಅನುಭೋಗಿಸುತ್ತದೆ. ವಿಸ್ಮಯಕರವಾಗಿ, ಒಂದು GPU- ಸಮಯಕ್ಕಿಂತ ೨೦೦ ಕ್ಕೆ ಹೆಚ್ಚು ವೇಗವಾಗಿ ಚಲಾಯಿಸುತ್ತದೆ. ಇದು GPU ಯಲ್ಲಿ ಚಾಲನೆಯಷ್ಟು ವೇಗವಾಗಿ ಚಲಾಯಿಸುತ್ತದೆ.
Hexgrad
Apache 2.0
ವೇಗ
en, ja, zh, fr, it, pt, es, hi
1.5GB
ಇಲ್ಲ
ಉಚಿತ
Piper
Free
Piper ಒಂದು ಹಗುರವಾದ ಪಠ್ಯ- Lactpi ಹಾಗು Lynx ಕಟ್ಟಡಗಳನ್ನು ರಚಿಸುವ ರೋಸಾಪ್. ಇದು ಸಂಪೂರ್ಣವಾಗಿ CPU ನ ಮೇಲೆ ಚಲನೆಗೊಳ್ಳುತ್ತದೆ, ಇದು ವಾರ್ಡ್ ಸಾಧನಗಳು, ಹೋಮ್ ಮೆದುಸು, ಮತ್ತು ಅನ್ವಯಗಳಿಗೆ ಆನ್ಲೈನ್ TTS ಅಗತ್ಯವಾಗಿರುವಂತಹ ಸಾಧನಗಳಿಗೆ ಸೂಕ್ತವಾಗಿದೆ. ೧೦೦ ಕ್ಕಿಂತ ಹೆಚ್ಚು ಬಾರಿ ಧ್ವನಿಗಳೊಂದಿಗೆ, ಒಂದು ರಸ್ಪೆರಿ- ಟೈಪ್ ಪ್ಲಗರ್ ಪ್ಲಗರ್ 4 ರಲ್ಲಿ ಸಹ ವೀಕ್ಷಣಾ ವೇಗದಲ್ಲಿ ಪಾರದರ್ಶಕ ಧ್ವನಿ ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ.
Rhasspy
MIT
ವೇಗ
en, de, fr, es, it, pt, nl, pl, ru, zh, ar, cs, da, fi, el, hu, is, ka, kk, ne, no, ro, sk, sr, sv, sw, tr, uk, vi, ca, cy, fa, lv, sl, lb, eu, id, ku, ml, sq, te, ur
0 (CPU only)
ಇಲ್ಲ
ಉಚಿತ
VITS
Free
VITS (ಸಂಪೂರ್ಣ-ಸಂಘಟನೆ-ಸಂಘಟನೆಯಿಂದ ಕೊನೆಯ ಪಠ್ಯ- ವಾಚಕವನ್ನು ಕಲಿಯುವುದರೊಂದಿಗೆ) ಸಮಾನವಾದ ಅಂತ್ಯದ TTS ವಿಧಾನವು ಇದು ಪ್ರಸಕ್ತ ಎರಡು ಬಿಂದುಗಳಿಗಿಂತಲೂ ಹೆಚ್ಚು ನೈಸರ್ಗಿಕ ಧ್ವನಿ ವ್ಯವಸ್ಥೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಇದು ಪರಿವರ್ತನೆಯೊಂದಿಗೆ ವಿಶಿಷ್ಟವಾದ ಮತ್ತು ವಿಶಿಷ್ಟವಾದ ತರಹದ ತರಹದ ತರಬೇತಿಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹೊಂದುತ್ತದೆ, ಸ್ವಾಭಾವದಲ್ಲಿ ಗಮನಾರ್ಹವಾದ ಪ್ರಗತಿಯನ್ನು ಸಾಧಿಸುತ್ತದೆ.
Jaehyeon Kim et al.
MIT
ವೇಗ
en, de, es, fr, pt, nl, fi, hu, bg, ja, pl
1GB
ಇಲ್ಲ
ಉಚಿತ
MeloTTS
Free
Metlotts: my shelli ಒಂದು ಬಹುಭಾಷೀಯ TTS ಲೈಬ್ರರಿಯು ಇಂಗ್ಲೀಷ್, ಬ್ರಿಟಿಷ್, ಆಸ್ಟ್ರೇಲಿಯ, ಫ್ರೆಂಚ್, ಚೈನೀಸ್, ಮತ್ತು ಕೊರಿಯನ್ ಬೆಂಬಲಿಸುವ ಬಹುತೇಕ ಟಿಟ್ಸ್ ಆಗಿದೆ. ಇದು ಬಹಳ ವೇಗವಾಗಿ, ಚೈನೀಸ್, ಚೀನೀ, ಮತ್ತು ಕೊರಿಯನ್. ಇದು ಸಿಪಿಯು ಮಾತ್ರ ಇರುವ ನಿಜವಾದ ಸಮಯ ವೇಗಕ್ಕೆ ಹತ್ತಿರವಾಗಿರುವ ಪಠ್ಯವನ್ನು ಚುರುಕುತ್ತದೆ.
MyShell.ai
MIT
ವೇಗ
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
ಇಲ್ಲ
ಉಚಿತ
Bark
Standard
ಝೋನ್ನಿಂದ ಬಾಕ್ಸ್ ಒಂದು ವಿಭಾಜಕ ಪಠ್ಯ- base- baseoo ನಂತಹ ಬಹುಸಾಧಕವಾದ, ಬಹುಭಾಷಾ ಧ್ವನಿ, ಹಿನ್ನೆಲೆ, ಮತ್ತು ಧ್ವನಿ ಪರಿಣಾಮಗಳಂತಹ ಬೇರೆ ಆಡಿಯೋ ಭಾಷೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಇದು ನಗುವ, ನಗುವ, ನಗು ಮತ್ತು ಅಳುವಂತಹ ಅನಕ್ಷರ ಸಂದೇಶಗಳನ್ನು ಉತ್ಪಾದಿಸಬಲ್ಲದು. ಬಾರ್ಕ್ 100ಕ್ಕಿಂತ ಹೆಚ್ಚು ಭಾಷಣಕಾರ ಸಮಯಗಳಿಗೆ ಹಾಗು 13+ ಭಾಷೆಗಳಿಗೆ ಬೆಂಬಲ ನೀಡುತ್ತದೆ.
Suno
MIT
ನಿಧಾನ
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
ಇಲ್ಲ
2x
Bark Small
Standard
ಬಾರ್ಕೆ ಚಿಕ್ಕದೆಂದರೆ ಬಾರ್ಕ್ ಮೆಡಿಕಲ್. ಇದು ಕೆಲವು ಆಡಿಯೊ ಗುಣಮಟ್ಟವನ್ನು ಕ್ಷಿಪ್ರಗತಿಯಲ್ಲಿ ವೇಗ ಮತ್ತು ಕಡಿಮೆ ಮೆಮೊರಿ ಅಗತ್ಯಗಳಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಇದು ಭಾವೋದ್ರೇಕಗಳು, ನಗು ಮತ್ತು ಅನೇಕ ಭಾಷೆಗಳೊಂದಿಗೆ ಸಂವಾದವನ್ನು ಉತ್ಪಾದಿಸಲು ಬಾರ್ಕ್ ನ ಸಾಮರ್ಥ್ಯವನ್ನು ಕೊಡುತ್ತದೆ.
Suno
MIT
ಮಧ್ಯಮ
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
ಇಲ್ಲ
2x
CosyVoice 2
Standard
CosyVoice 2 ಟೋಂಬಾ ಟೋಂಬಾ ಟೋಂಗ್ನಿ ಲ್ಯಾಬ್ ಮಾನವ ಸಂಬಂಧಿತವಾದ ಭಾಷಣದ ಗುಣಮಟ್ಟವನ್ನು ಕಡಿಮೆಯಿರುವ, ಅದನ್ನು ನಿಜವಾದ ಸಮಯ ಸಂಬಂಧಿತ ಅನ್ವಯಗಳಿಗೆ ಸೂಕ್ತವನ್ನಾಗಿ ಮಾಡುತ್ತದೆ. ಇದು ತಂಪಾದ ಸ್ಲೀಪ್ಸಿಂಗ್ ಕ್ಸೈನ್ ತಂತ್ರಾಂಶವನ್ನು ಉಪಯೋಗಿಸುತ್ತದೆ ಮತ್ತು Syntithers ಗೆ ಬೆಂಬಲ ನೀಡುತ್ತದೆ ಮತ್ತು Synatty sos-softys-socriptys-syssys, ಮತ್ತು ಉತ್ತಮ ನಿಯಂತ್ರಣವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಮತ್ತು ಇದು ಅನೇಕ ವಾಣಿಜ್ಯ ವ್ಯವಸ್ಥೆಗಳ ಹೊರಹೊಡೆತವನ್ನು ಹೊರಹೊಡೆದಿದೆ.
Alibaba (Tongyi Lab)
Apache 2.0
ಮಧ್ಯಮ
en, zh, ja, ko, fr, de, it, es
4GB
ಹೌದು
2x
Dia TTS
Standard
Dia ನರಿ ಲಾಬ್ಸ್ ನಿಂದ ೧. ೧. ನ್ನು- ದೂರವಾಣಿ ಸಂವಾದಕ್ಕಾಗಿ ರಚಿಸಲಾದ ಪಠ್ಯ- ಕ್ರಮ. ಇದು ಎರಡು ಭಾಷಣಗಾರರ ನಡುವಣ ಸ್ವಾಭಾವಿಕ ಸಂವಾದಗಳನ್ನು ಸರಿಯಾದ ತಿರುಗು, ಪ್ರೋ- ಪ್ರೋ- ಸಹಿತ ಹಾಗೂ ಭಾವಾತ್ಮಕ ಎಕ್ಸ್ಪ್ರೆಶನ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. Dia ಪೊಟ್ರಿಕ್- ಶೈಲಿಯ ವಿಷಯಗಳನ್ನು, ಧ್ವನಿಪಟ್ಟಿ ಸಂವಾದ, ಮತ್ತು ಸಂವಾದದ ಸಂವಾದ AI ಅನ್ನು ಉತ್ಪಾದಿಸಲು ಪರಿಪೂರ್ಣವಾಗಿರುತ್ತದೆ.
Nari Labs
Apache 2.0
ಮಧ್ಯಮ
en
4GB
ಇಲ್ಲ
2x
Parler TTS
Standard
ಪ್ಯಾರರ್TS ಒಂದು ಪಠ್ಯ- ಲಿಪ್- ಉಪಭಾಷಾ ನಮೂನೆ. ಇದು ಉತ್ಪಾದಿಸಲಾದ ಧ್ವನಿ ವಿವರಣೆಗಳನ್ನು ನಿಯಂತ್ರಿಸಲು ಭಾಷಾ ವರ್ಣನೆಗಳನ್ನು ಬಳಸುತ್ತದೆ. ನೀವು ಮೊದಲೆ ಧ್ವನಿಗಳಿಂದ ಆಯ್ಕೆ ಮಾಡುವ ಬದಲು, ನೀವು ಬಯಸುವ ಶಬ್ದವನ್ನು (ಉದಾ, ನಿಮ್ಮಲ್ಲಿರುವ ವಾಲನ್ನು) ವರ್ಣಿಸುತ್ತದೆ (ಉದಾ, ನಿಧಾನವಾಗಿ ಮತ್ತು ಸ್ಪಷ್ಟವಾಗಿ ಮಾತಾಡುತ್ತದೆ) ಮತ್ತು ಆ ವಿವರಣೆಗೆ ಸರಿಹೊಂದುವ ಧ್ವನಿಯನ್ನು ರಚಿಸುತ್ತದೆ. ಇದು ವಿಕಸನಾತ್ಮಕವಾಗಿ ವಿನ್ಯಾಸಿಸುವ ಅನ್ವಯಗಳಿಗೆ ಹೊಂದಿಕೆ ಮಾಡುತ್ತದೆ.
Hugging Face
Apache 2.0
ಮಧ್ಯಮ
en
4GB
ಇಲ್ಲ
2x
Indic Parler TTS
Standard
ಪರ್ಟಾರ್ರವರ ಪಾರ್ಡರ್ ಟಿಟ್ಸ್, ಪಾರ್ಡರ್ ಟಿಟ್ಸ್, ಭಾರತೀಯ ಭಾಷೆಗಳಲ್ಲಿ ಸ್ವಾಭಾವಿಕವಾದ ಭಾಷಣವನ್ನು ತಯಾರಿಸಿ, ತಮಿಳು, ಬಂಜೆ, ಬಂಗ, ಬಂಜೆ, ಪಂಜಾಬಿ, ಆಸ್ಸೀಯಾ, ಆಸೀಯಾ, ಹಿನ್ನೀ, ಹಿನ್ನೀರಿ, ಹಿನ್ನೀರಿ, ಮಲ, ಮಲನ್ ಮತ್ತು ಇಂಗ್ಲಿಷ್ ಭಾಷೆಗಳಲ್ಲಿ ಸ್ವಾಭಾವಿಕವಾಗಿ ಮಾತಾಡುತ್ತಾರೆ.
AI4Bharat
Apache 2.0
ನಿಧಾನ
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
8GB
ಇಲ್ಲ
2x
KhanomTan TTS
Standard
ಖಾಮ್ ಟಾನ್ ಟೂಟ್ಸ್ ಒಂದು ಮುಕ್ತ ಪಠ್ಯ ಪಠ್ಯ- ಉಪಕ್ರಮ ನಿಮ್ಮ ಐಡಿಯೋಗ್ರಾಫ್ ನ ಪ್ರಾದೇಶಿಕ ರಚನಾಕ್ರಮ. CC0 ಹಾಗು ಕಾಂಪ್ಲಾಂಟಿಕ್ಯೂಷನ್ ಥಾಯ್ ಕಾಂಪಾ (TCT) ನ ಜೊತೆಗೆ ಬೇರೆ ಬೇರೆ ಭಾಷೆಗಳೊಂದಿಗೆ ಪ್ರಾದೇಶಿಕ ಥಾಯ್ ಧ್ವನಿಸುಳಿ ಭಾಷೆಯನ್ನಾಡಲು ತರಬೇತಿಯನ್ನು ನೀಡುತ್ತದೆ. ಥಾಯ್ ಗಾಗಿ ಒಂದು ಶುದ್ಧವಾದ, ವಾಕ್ಸರಳ ವ್ಯವಹಾರಾತ್ಮಕ ಆಯ್ಕೆಯು, ಕೇವಲ ಕಾಮಾಧಿಕವಲ್ಲದ ಟೆಟ್ಸ್ ಮಾಲಿನ್ಯ ಪರದೆಗಳ ಕೆಳಗಿತ್ತು.
Wannaphong Phatthiyaphaibun
Apache 2.0
ವೇಗ
th
2GB
ಇಲ್ಲ
2x
IndexTTS-2
Standard
ಸೂಚಿTTS-2 ಒಂದು ಸುಧಾರಿತ ಪಠ್ಯ- ಅನುಕ್ರಮವಾಗಿದೆ. ಇದು ೨೦೦೦- ಸ್ಕ್ರಾಟ್ ವಾನ ಸಹಿತ ಸುಮಧುರ ಭಾವ-ಸಂಘಟಿತ ನಿಯಂತ್ರಣದೊಂದಿಗೆ ಸಂಪರ್ಕವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಇದು ಮಾತಾಡಲು ಸಂತೋಷದ, ದುಃಖ, ಕೋಪ, ಹಾಗೂ ಭಾವಾತ್ಮಕ-ಸಂಘಟಿತ ದತ್ತಾಂಶದ ಅಗತ್ಯವಿಲ್ಲದಂತಹ ಭಾವಾತ್ಮಕ ಪಥ್ಯದೊಂದಿಗೆ ಅಥವಾ ಭಯದೊಂದಿಗೆ ಸಂವಾದವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಮಾದರಿ ರಚಿಸಲಾದ ವಾಕ್ಸಗಳನ್ನು ನಿಖರವಾಗಿ ನಿಯಂತ್ರಿಸಲು ಕಾಕ್ಸಸ್ ಅನ್ನು ಬಳಸುತ್ತದೆ.
Index Team
Bilibili Model License
ಮಧ್ಯಮ
en, zh
4GB
ಹೌದು
2x
Spark TTS
Standard
StARTS ಒಂದು ಪಠ್ಯ- TSTS ಉಪಘಟಕವು ಒಂದು ಪಠ್ಯ- ಲಿಪಿಯನ್ನು ಸೇರಿಸುತ್ತದೆ ಮತ್ತು ಇದು ಸ್ವರವನ್ನು ನಿಯಂತ್ರಿಸಬಹುದಾದಂತಹ ಭಾವದೊಂದಿಗೆ ಮತ್ತು ಮಾತಾಡಬಹುದಾದ ಶೈಲಿಯೊಂದಿಗೆ ಸೇರಿಸುತ್ತದೆ. ಇದು ಕೇವಲ 5 ಸೆಕೆಂಡುಗಳ ರೆಕಾರ್ಡಿಂಗ್ ಅನ್ನು ಬಳಸುವುದರಿಂದ, ಒಂದು ಧ್ವನಿಯನ್ನು ನೋಡಬಹುದು, ನಂತರ ಬೇರೆ ಭಾವೋದ್ರೇಕಗಳು, ವೇಗಗಳು, ಮತ್ತು ಶೈಲಿಗಳನ್ನು ನಕ್ಷೆಯಲ್ಲಿ ಸಂಸ್ಕರಿಸುತ್ತದೆ. DTS ವು ಆಕ್ಷೇಪಣಾ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಯನ್ನು ಬಳಸುತ್ತದೆ.
SparkAudio
CC BY-NC-SA 4.0
ಮಧ್ಯಮ
en, zh
4GB
ಹೌದು
2x
GPT-SoVITS
Standard
GPT- SOVITS, GPT- ಉಪಭಾಷಾ ನಮೂನೆಯನ್ನು (ಉದಾಹರಣೆಗೆ ಅನುಗುಣವಾಗಿ ಅನುವಾದಿಸುವ ವಾಣಿ ಮತ್ತು ಸಿಂಡಿಸ್) ಪ್ರಬಲವಾದ ಕೆಲವು ಸ್ನಾತ ಧ್ವನಿ ಹಾಗು ಸಿಂಡಿಸ್ನ ಮೂಲಕ ಸೇರಿಸುತ್ತದೆ. ಇದು ಕೇವಲ 5 ಸೆಕೆಂಡುಗಳಷ್ಟು ಹಳೆಯ ಧ್ವನಿನೋಟದೊಂದಿಗೆ, ಭಾಷಣಕಾರನ ವಿಶಿಷ್ಟವಾದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಉಳಿಸುತ್ತದೆ ಹಾಗು ಹೊಸ ಭಾಷೆಯನ್ನು ರಚಿಸುತ್ತದೆ. ಇದು ಮಾತು ಮತ್ತು ಸ್ವರ ಸಿಂಡಿಸ್ನಲ್ಲಿ ಹೆಚ್ಚು ಬಲವಾಗುತ್ತದೆ.
RVC-Boss
MIT
ನಿಧಾನ
en, zh, ja, ko
6GB
ಹೌದು
2x
Orpheus
Standard
Orphens ಒಂದು ದೊಡ್ಡ ಗಾತ್ರದ ಪಠ್ಯ- ಲಿಪಿ- ಉಪಘಟಕವಾಗಿದೆ. ಇದು ಮಾನವ- ಮಟ್ಟದ ಹೊರನೋಟವನ್ನು ಸಾಧಿಸುತ್ತದೆ. 1000ಕ್ಕಿಂತ ಹೆಚ್ಚು ವಿಭಿನ್ನವಾದ ಧ್ವನಿ ಮಾಹಿತಿಗಳಿಗೆ ತರಬೇತಿಯಲ್ಲಿ, ಇದು ಸಹಜವಾದ ಭಾವನೆಗಳು, ಒತ್ತು, ಮತ್ತು ಮಾತಾಡುವ ಶೈಲಿಗಳ ಮೂಲಕ ಹೆಚ್ಚು ಉತ್ತಮವಾಗಿದೆ. ಆರ್ಫಸ್ ಮಾತಾಡಲು ಮಾನವ ರೆಕಾರ್ಡಿಂಗ್ಗಳಿಂದ ಬಹುಮಟ್ಟಿಗೆ ಅಸಮರ್ಥವಾಗುವಂಥ ರೀತಿಯಲ್ಲಿ ಮಾತಾಡಬಹುದು.
Canopy Labs
Llama 3.2 Community
ಮಧ್ಯಮ
en
4GB
ಇಲ್ಲ
2x
Chatterbox
Premium
ResmulgAl ಬಾಕ್ಸ್ ನಿಂದ Shift-dege ehight evalue ನ ಯಾವುದೇ ಧ್ವನಿ ಸಹ ಗಮನಾರ್ಹವಾದ ಒಂದು ಆಡಿಯೋ ನಮೂನೆಯಿಂದ ತೆಗೆಯಲ್ಪಡುತ್ತದೆ. ಇದು ಕೇವಲ ಒಂದು ಶಬ್ದಕೋಶದಿಂದ ಮಾತ್ರವಲ್ಲ, ವಾಕ್ಯೂ ಶೈಲಿ ಹಾಗೂ ಭಾವನಾಚಿಹ್ನೆಗಳೊಂದಿಗೆ ಸಹ ನಿಖರವಾಗಿ ಬದಲಾಗುತ್ತದೆ. ಚಲಾವಣೆ ಚೌಕವು ಉತ್ತಮ ಸಂಕುಚನವನ್ನು ಹೊಂದಿದೆ, ಇದು ಧ್ವನಿಯಿಂದ ಉತ್ಪಾದಿಸಲಾದ ಧ್ವನಿ ಸ್ವಾಭಾವ್ಯತೆಯ ಭಾವನೆಗಳನ್ನು ಸರಿಪಡಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
Resemble AI
MIT
ಮಧ್ಯಮ
en
4GB
ಹೌದು
4x
Tortoise TTS
Premium
TTS ಅನ್ನು ಸ್ವಾಭಾವಿಕವಾಗಿ ಪರವಾನಗಿ ಪಠ್ಯ- ಉಪ- ಧ್ವನಿ ವ್ಯವಸ್ಥೆಯು ವೇಗವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಇದು DALL- End ನಿರ್ಮಾಣವನ್ನು ಉಪಯೋಗಿಸುತ್ತದೆ. ಇದು ಬಹು ಉತ್ತಮವಾದ ಪ್ರೊಗ್ರಾಡ್ ಮತ್ತು ಧ್ವನಿಸಂಪರ್ಕದ ಸಹಕಾರದೊಂದಿಗೆ ಹೆಚ್ಚು ಪ್ರಾಧಾನ್ಯಾತ್ಮಕವಾದ ಧ್ವನಿಸಂಘಟನೆಯನ್ನು ಉತ್ಪಾದಿಸಲು. ಅನೇಕ ಬದಲಾವಣೆಯಿಗಿಂತ ನಿಧಾನವಾಗಿ, ತೆರೆಯುವ ಪರಿಸರದಲ್ಲಿ ಲಭ್ಯವಿರುವ ಅತ್ಯಂತ ಪ್ರಾಯೋಗಿಕವಾದ ಭಾಷಣವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
James Betker
Apache 2.0
ನಿಧಾನ
en
8GB
ಹೌದು
4x
StyleTTS 2
Premium
ಶೈಲಿTTS 2 ಮಾನವ- ಮಟ್ಟದ DTS ಸಿಂಟೈಸ್ ಅನ್ನು, ದೊಡ್ಡ ಭಾಷಾ ನಮೂನೆಗಳೊಂದಿಗೆ ಡಿಫಾರೆನ್ಸ್ ಅನ್ನು ಸೇರಿಸುವ ಮೂಲಕ ಸಾಧಿಸುತ್ತದೆ. ಇದು ಒಂದು ಸ್ವಾಭಾವಿಕ ಧ್ವನಿ ಮಾದರಿಗಳ ನಡುವೆ, ವಿರುದ್ಧವಾದ ಮಾನವ ರೆಕಾರ್ಡಿಂಗ್ಗಳ ನಡುವೆ ಅತಿ ಸ್ವಾಭಾವಿಕವಾದ ಧ್ವನಿಮಾಲೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ಶೈಲಿTTS2 ಮಾನವ ವಾಚನಾ ಪರಿಮಾಣಗಳ ಪೂರ್ಣ ವ್ಯಾಪ್ತಿಯನ್ನು ಹೊಂದಲು ವೈಖರಿ ಶೈಲಿಯ ನಮೂನೆಯನ್ನು ಬಳಸುತ್ತದೆ.
Columbia University
MIT
ಮಧ್ಯಮ
en
4GB
ಇಲ್ಲ
4x
OpenVoice
Premium
MShell' ನಿಂದ ಓಪನ್ ವೀಟಿ ವೀಕ್ಷಣೆಯನ್ನು, ಸ್ವರ ನಿಯಂತ್ರಣ, ಭಾವಾಭಿನಯ, ಅನುಕ್ರಮ ಮತ್ತು ಸ್ವಾಗತದೊಂದಿಗೆ ವ್ಯವಸ್ಥಿತ ಧ್ವನಿ ತಂತ್ರಾಂಶವನ್ನು ಶಕ್ತಗೊಳಿಸುತ್ತದೆ. ಇದು ವಾಣಿಜ್ಯ ಗುರುತನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುತ್ತಾ, ಅನೇಕ ಭಾಷೆಗಳಲ್ಲಿ ಧ್ವನಿಯನ್ನು ಹೊರಳಗಿಸುತ್ತದೆ. OpenVoice ಸಹ ಧ್ವನಿ ವಿಭಜಕಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಣವನ್ನು ಮಾಡುತ್ತದೆ, ಇದು ನಿಜವಾದ ಸಮಯವನ್ನು ಅನುಮತಿಸುತ್ತದೆ.
MyShell.ai / MIT
MIT
ಮಧ್ಯಮ
en, zh, ja, ko, fr, es
4GB
ಹೌದು
4x
Qwen3 TTS
Standard
QWn3-TTS ಒಂದು 0.7 ಕೋಟಿ ಅಕ್ಷರಮಾಲೆಯ ಮಾದರಿ ಅಲಿಬಾಬಾ ತಂಡದಿಂದ. ಇದು ಎರಡು ಕ್ರಮಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ: ಮುಂಬಾಗ ನಿಯಂತ್ರಣದಿಂದ (9 ಭಾಷಣಕರ್ತ) ಮತ್ತು ನೀವು ಸ್ವಾಭಾವಿಕ ಭಾಷೆಯಲ್ಲಿ ವ್ಯಾಕರಣವನ್ನು ವಿವರಿಸುವ ಅದ್ವಿತೀಯ ಧ್ವನಿ ಕ್ರಮ. ಇದು 10 ಭಾಷೆಗಳನ್ನು ಹೆಚ್ಚು ಸ್ಫುಟತೆ ಮತ್ತು ನೈಸರ್ಗಿಕ ಪ್ರಕೃತಿ ಪ್ರಯೋಗದೊಂದಿಗೆ ಆವರಿಸುತ್ತದೆ.
Alibaba (Qwen)
Apache 2.0
ಮಧ್ಯಮ
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
ಇಲ್ಲ
2x
VieNeu-TTS-v2
Standard
SVNE- VES-v2 ಒಂದು 300 Music ಫಿಲ್ಟರ್- ಫಾರ್ಮಾಟ್- TTS ಮಾದರಿಯಾಗಿದೆ. ಇದು, ದ್ವಿತೀಯವಾದ 10,000++ ಸೂಚ್ಯವರ್ತನೆಯ ಮೇಲೆ ತರಬೇತಿಯನ್ನು ಹೊಂದಿತು, ಉತ್ತರ ಮತ್ತು ದಕ್ಷಿಣ ಭಾಗಶಃ ಆವರ್ತಕಗಳನ್ನು ಬೆಂಬಲಿಸುವ, ಮತ್ತು ಉಲ್ಲೇಖದ 3- 5 ಸೆಕೆಂಡುಗಳ ಓಎನ್ ಶಬ್ಧ ಧ್ವನಿಗಳನ್ನು ಹೊಂದಿರುವ ಕ್ಷಣಿಕ ಧ್ವನಿಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. CUFFF4 ನ ಮೂಲಕ CPNE ಅನ್ನು ಚಾಲಯಿಸುತ್ತದೆ. GUFA QUREner QUREner ವಿನ ಮೂಲಕ. GURIR ಪೀಡಿಗ ಅಗತ್ಯವಿರಲಿಲ್ಲ. GURRI ಪೀಡಿಸ್ಟ್ ಪೀಡಿಸ್ಟ್ ನಲ್ಲಿ ಅಗತ್ಯವಿರಲಿಲ್ಲ, GUEnn3 ಸೆಕೆಂಡುಗಳಲ್ಲಿ Sett3 ಸೆಕೆಂಡುಗಳನ್ನು ರಚಿಸಲಾಯಿತು.
Phạm Nguyễn Ngọc Bảo
Apache 2.0
ವೇಗ
vi, en
CPU
ಹೌದು
2x
Sesame CSM
Premium
SERM CSM (ಭಾಷಾ ನುಡಿ ಮಾದರಿ) ನಿರ್ದಿಷ್ಟವಾಗಿ ಸಂಭಾಷಣೆಯ ಉಪಘಟಕವನ್ನು ಉತ್ಪಾದಿಸಲು ರಚಿಸಲಾದ ೧ ಶುಕ್ರತ್ತು ಪೃಥ್ಯ ಮಾದರಿ. ಇದು ಸಮಯ/ ಹಿಂಭಾಗದ ಪ್ರತ್ಯುತ್ತರ, ಭಾವಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಗಳು, ಮತ್ತು ಸಂಭಾಷಣಾ ಚಲನೆಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಮಾನವ ಸಂಭಾಷಣೆಯ ಸಾಮಾನ್ಯ ನಮೂನೆಗಳನ್ನು ಮಾದರಿಮಾಡುತ್ತದೆ. ಕೃತಕವಾಗಿ ಧ್ವನಿ ಬದಲು ಒಂದು ಸ್ವಾಭಾವಿಕವಾದ ಮಾನವ ಸಂಭಾಷಣೆಯಂತೆ ಧ್ವನಿಸುತ್ತದೆ.
Sesame
Apache 2.0
ನಿಧಾನ
en
8GB
ಇಲ್ಲ
4x
Chatterbox Turbo
Standard
Resmble AI ನಿಂದ ಚಾಲ್ಟಲ್ ಏನಿಂದ ಟ್ರ್ಯಾಕ್ಬಾಕ್ಸ್ ಒಂದು 350M ಅಕ್ಷಾಂಶದ ಅಪ್ಡೇಟ್ ಆಗಿರುತ್ತದೆ, ಇದು ಉಪ- ೨೦೦೦- ಯ ಆರಂಭಿಕ ತಂತ್ರಾಂಶದಿಂದ 6x ನಿಜವಾದ ವೇಗವನ್ನು ಆದಾನಿಸುತ್ತದೆ. ಇದು Parnicy ಟ್ಯಾಗ್ಸ್ಗಳನ್ನು [kon], [cape], ಮತ್ತು ನೇರವಾಗಿ ಪಠ್ಯದಲ್ಲಿ ರಚಿಸಲಾದ ಎಲ್ಲಾ ಆಡಿಯೋಪಕರಣಗಳಿಗೆ ಸೇರಿಸುತ್ತದೆ. Dranscaptions Dircaption of the sharned shared shifting sharging sharge
Resemble AI
MIT
ವೇಗ
en
2GB
ಹೌದು
2x
VoxCPM
Standard
OpenBMBM(OxBM) 1 ಯು ಒಂದು ನೋಟ್ ಸೂಪರ್- ಮುಕ್ತ TTS ಮಾದರಿ. ಇದು Dr ಪ್ರತಿ ಸೂಚಕಗಳ ಬದಲು ನಿರಂತರ ಜಾಗದಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ. ಇದು ಹೈಲೈಡಲ್ ೪. ೧. ೧೧HS ಆಡಿಯೊವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ೨- ೧೦ ಸೆಕೆಂಡುಗಳಿಂದ ೨೦- ಮುದ್ರಿತ ಧ್ವನಿಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಮತ್ತು ಪ್ಯಾರಗ್ರಾಫ್ಗಳ ನಡುವೆ ಸುಳಿದುಕೊಳ್ಳುತ್ತದೆ. Crostes-curnson ನೀವು ಒಂದು ಇಂಗ್ಲೀಷನ್ನು ಚೀನೀ ಭಾಷೆಗೆ ಹಾಗು ಉಪಭಾಷೆಯಲ್ಲಿ ಅನ್ವಯಿಸುವಂತೆ ಬಿಡುತ್ತದೆ.
OpenBMB
Apache 2.0
ವೇಗ
en, zh
4GB
ಹೌದು
2x
Kani TTS 2
Free
CanyTS-2 ಒಂದು ಅತಿ ಹಗುರವಾದ ತೆಳ್ಳಗಿನ AIFM2 ಕ್ರಮ ಮಾದರಿ. ಅದು NVIITIA NOCTAP ಗೆ ನಿರ್ಮಿಸಲಾದ ಕೇವಲ 3GRAM ನಲ್ಲಿ ಚಲಾಯಿಸುತ್ತದೆ ಮತ್ತು ಒಂದು ೧೦೦ ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಭಾಷಣವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ (RTF2). ಪ್ರಸ್ತುತ ಸಾರ್ವಜನಿಕ ಬಿಡುಗಡೆ ಮಾಡಿದ ಕೇವಲ ರೋಟೆಕ್- ರೂಟೇಬಲ್ ರೂಟ್- ೨೦ ಸೆಕೆಂಡುಗಳು (RTF- ೨), ಮತ್ತು ಧ್ವನಿಕಾರಕದ ಅಗತ್ಯವನ್ನು ಶಬ್ಧಗೊಳಿಸುವುದಿಲ್ಲ.
NineNineSix
Apache 2.0
ವೇಗ
en
3GB
ಇಲ್ಲ
ಉಚಿತ
OuteTTS
Free
ಹೊರೆಟೆಟ್ಗಳು, ಮೂಲ ವಿನ್ಯಾಸವನ್ನು ಉಳಿಸುವಾಗ ಪಠ್ಯದಿಂದ ಉಪ- ಉಪ- ಧ್ವನಿ ಸಾಮರ್ಥ್ಯಗಳೊಂದಿಗೆ ದೊಡ್ಡ ಮಾದರಿಗಳನ್ನು ವಿಸ್ತರಿಸುತ್ತವೆ. ಇದು Lama. CcUP (CPU), ಸುಕ್ಕು ಮುಖ ಪರಿವರ್ತನೆಗಾರರು, ಎಕ್ಸಲಾವಿ2, VLM ಅನ್ನು ಬದಲಾಯಿಸುವವರು. JZ ಸವಿವರಗಳ ಮೂಲಕ ಜಾಲಬಂಧಗಳನ್ನು ಉಳಿಸಿ ಮೂಲಕ ಜಾಲತಾಣವನ್ನು ಸಹ ಬೆಂಬಲಿಸುತ್ತದೆ.
OuteAI
Apache 2.0
ನಿಧಾನ
en
2GB
ಇಲ್ಲ
ಉಚಿತ
VibeVoice
Standard
ಮೈಕ್ರೋಸಾಫ್ಟ್ ನಿಂದ ವಿಬೆನೋಸಿಸ್ ಎರಡು ವಿಭಜಕಗಳಲ್ಲಿ ಬರುತ್ತದೆ: ೧. ೧೦೦೦- ರು, ೪ ನಿಮಿಷಗಳ ಆವರಣಕ್ಕೆ ಒಂದು 1.5B ಮಾದರಿ ಮತ್ತು ೧೦೦೦ ನಿಮಿಷಗಳ ಮೊದಲ ಆಡಿಯೋ ಆರಂಭವಾದ ಆಡಿಯೋ ಹಿಂಭಾಗದೊಂದಿಗೆ ಹರಿಯುವ ನಿಜವಾದ ಸಮಯ ಕ್ರಮ. ಸೂಚನೆ: MicrosoftDCC ನ್ನು ಪ್ರಾಥಮಿಕದಿಂದ ತೆಗೆದು ಹಾಕಲಾಗಿದೆ ಹಾಗು ಧ್ವನಿಸುವ ಧ್ವನಿಸಂಪರ್ಕದಿಂದ ಒಂದು ಧ್ವನಿಸಂಪರ್ಕವನ್ನು ಉತ್ಪಾದಿಸಲಾಗಿದೆ.
Microsoft
MIT
ವೇಗ
en, zh
4GB
ಇಲ್ಲ
2x
Pocket TTS
Free
Kicotia ಗೆ (mishi) ಪೋಕೆಟ್ TS ಎಂದೆದ್ದು (ಮಾಧ್ಯಮ- TS) ಒಂದು ಕಾಂಪ್ಲೆಟ್- ನೋಂದಣಿ ಪಠ್ಯದ ನಮೂನೆ. ಇದು ಸಿಪಿಯು ತನ್ನ ತೂಕಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಮಿಣುಕಿಸುತ್ತದೆ, ಇದು CPU ನ ಮೂಲಕ ಚುಕ್ಕಿಹೊಡೆಯುತ್ತದೆ, ಒಂದು ಆಡಿಯೊ ನಮೂನೆಯಿಂದ പൂജ್ವತ್ರಿಕ ಶಬ್ಧಕವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಹಾಗು ಸ್ವಾಭಾವಿಕವಾಗಿ ಧ್ವನಿಸುವಿಕೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಸಣ್ಣ ಮಾದರಿ ಗಾತ್ರವು ಅದನ್ನು ಅಂಚಿನ ಒಳಭಾಗ ಮತ್ತು ಕೆಳಮಟ್ಟದ ಪರಿಸರಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಮಾಡುತ್ತದೆ.
Kyutai
MIT
ವೇಗ
en, fr
1GB
ಹೌದು
ಉಚಿತ
Kitten TTS
Free
KetenmmL ನಿಂದ KetenTS ರವರು ಒಂದು ಅತಿ ಹಗುರವಾದ ಲೈಟ್ ಪಠ್ಯ- ಕ್ರಮ ONX ನಲ್ಲಿ ನಿರ್ಮಿಸಲಾದಂತಹ. frees (25M- 80 ರ ಮುದ್ರಿತ ಕ್ರಮ), ಇದು GPU ಗೆ ಅಗತ್ಯವಿರುವ ಹೊರತು ಕ್ಷಿಪ್ರಮಾಣದಲ್ಲಿ ಬಹು-ಸಂಸ್ಕವಾದ ಧ್ವನಿಗಳನ್ನು ಸಂಸ್ಕರಿಸುತ್ತದೆ, GPU ಯನ್ನು ಸರಿಪಡಿಸುವ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ. ಯಂತ್ರದ ವೇಗ, ಮತ್ತು ಸಂವೇದಕಗಳು ಸಂವೇದಕ, ಸಂಖ್ಯಾಶೀಲತೆ, ಮತ್ತು ಸಂಖ್ಯಾ ಅನ್ವಯಗಳಿಗೆ ಅನುಕ್ರಮಣೆ (merics).
KittenML
Apache 2.0
ವೇಗ
en
0GB
ಇಲ್ಲ
ಉಚಿತ
CosyVoice3
Standard
CCSysVov3 ಎಂಬುದು AlibbbaWALLM ತಂಡದ ಅತ್ಯಂತ ಇತ್ತೀಚಿನ ವಿಕಾಸವಾಗಿದೆ. ಇದು ೧೯೧೧ ೧೫೦ ಮೆದುಳಿನ ಅಪಹರಣದೊಂದಿಗೆ, ಭಾವೋದ್ರೇಕ/ spool/ buse-multy ಗೆ ಸ್ಥಿರವಾದ ಉಪದೇಶ-criptions, ಮತ್ತು ಸುಧಾರಿತ ಧ್ವನಿಸಾಧನ 9 ಭಾಷೆಗಳು ಮತ್ತು 18 ಚೈನೀಸ್ ಚೀನೀ ಉಪಭಾಷೆಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ.
Alibaba (FunAudioLLM)
Apache 2.0
ವೇಗ
en, zh, ja, ko, de, es, fr, it, ru
4GB
ಹೌದು
2x
NAMAA Saudi TTS
Standard
NAMAA Saudi TTS is a Saudi Arabic fine-tune of Resemble AI's ChatterboxMultilingual. Trained by NAMAA Space on authentic Saudi-dialect speech, it produces natural Modern Standard Arabic and Saudi colloquial pronunciation that generic multilingual models cannot match. Inherits Chatterbox's zero-shot voice cloning and emotion control via reference audio prompts. The first open-weights Arabic TTS deployed on TTS.ai.
NAMAA Space
MIT
ಮಧ್ಯಮ
ar
6GB
ಹೌದು
2x
Darwin TTS
Standard
Dargin-TTS- 1. 7B-B- bases ವು ಫ್ವೆನ್ಸಾನ್ ನಿಂದ ಒಂದು ಪರಿಶೋಧನಾ ವಿಧಾನವಾಗಿದೆ Qn3-TTS-TS- 1. 87B ಇಲ್ಲಿ ಭಾಷಣಕರ್ತರು (8%) ಗ್ವೆನ್=3. ಕ್ವೆನ್-1-B-ಸಂನಲ್ಲಿ ಸರಿಸಾಧಕದೊಂದಿಗೆ ಒಂದಾಗಿ ಬೆರೆಸಲಾಗುತ್ತದೆ. ಈ ಮಿಶ್ರಣವು ಪುನಃ ರಚಿಸಲ್ಪಟ್ಟಿರದಂತಹ ಹತ್ತೊಡೆದು, ಕೊರಿಯನ್, ಕೊರಿಯನ್, ಮತ್ತು ಚೀನೀಸ್ಕ್-ಸಿಕ್ರೆಟ್-ಸಿಕ್-ಸಿಎಂಚೆನ್ ಸೆಕೆಂಡುಮೆಂಟ್ಗಳಲ್ಲಿ ಪುನರಾವರ್ತಿಸಲ್ಪಡುತ್ತದೆ.
FINAL-Bench
Apache 2.0
ಮಧ್ಯಮ
en, ko, ja, zh
7GB
ಹೌದು
2x
MOSS-TTSD
Standard
Open MOS- STS vCTW1. 0 ಒಂದು shortDATS ಸಂವಾದ ಪಠ್ಯ ಪಠ್ಯದ ಕ್ರಮವಾಗಿದೆ. ಇದು ಕೇವಲ ಅಲ್ಪ ಧ್ವನಿ ಸಂವೇದಕದಿಂದ ಸಂವಾದಗಳನ್ನು ಮುಂದುವರಿಸುತ್ತದೆ. [S1]/ [S2] ನ ಮೂಲಕ 5 [S2] ವಾಚಕಗಳು, ಗೊರಸುಗಳು, 3- 10 ಬಾರಿನ ಧ್ವನಿಯಲ್ಲಿನ ಶೂನ್ಯ 60 ನಿಮಿಷಗಳ ಅಂತರಣ ಸಂವಾದಕ್ಕೆ ಬೆಂಬಲ ನೀಡುತ್ತವೆ ಮತ್ತು 20 ಭಾಷೆಗಳಾದ್ಯಂತ ಒಟ್ಟು 60 ನಿಮಿಷಗಳ ಅಂತರಣ ಸಂವಾದಕ್ಕೆ ಮಾತ್ರ. MOSTStsTS/ Studics. TSATS: AduduTS/ books
OpenMOSS
Apache 2.0
ಮಧ್ಯಮ
en, zh
12GB
ಹೌದು
2x
Ming-Omni TTS
Free
Mings- stans- 0. 5B ರವರು Complet- base- by mody WithM- by WithM- base- patch ಚಾಲನೆಯೊಂದಿಗೆ ನಿರ್ಮಿಸಲಾದ ಒಂದು ಒಪ್ಪಂದವಾದ ಭಾಷಣದ ಹಿಂಭಾಗವಾಗಿದೆ. ಮರುಸಂಘಟನೆ (plat- password) 44. Dof- password ಪ್ರೊಗ್ರಾಮ್ ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡುತ್ತದೆ (ಆರನ್- Postring), evaler (ಆರನ್ CD- by), 3++- basesmocripts (- by) ನ user) ನ ಸುಧಾರಣಾ ಸೂಚನೆಗಳನ್ನು (shoult- base), ಮತ್ತು JBMATH- bystongracks (cling). JAdmandsmand us. JAdmandmank-mandmandmank-my). use.
inclusionAI
Apache 2.0
ಮಧ್ಯಮ
en, zh
3GB
ಹೌದು
ಉಚಿತ
MOSS-TTS Nano
Free
MOS-TS- neno-100MOS ಕಾಂಪ್ಯಾಕ್ಟ್ರೆಂಟ್ ನ್ಯಾವಹೋ ನ್ಯಾವಿಗೇಟ್, MOSMM-parent ವರ್ಗದ, ವಿಳಂಬ-trans ನ ರಚನಾ ರಚನಾಕ್ರಮವನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತದೆ. ವಾಸ್ತುಶಿಶಕದ 8B ಮಾಪಕದ ಪ್ರತಿರೋಧಕದ ಪ್ರತಿಸ್ಪರ್ಧಕವನ್ನು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ವ್ಯಾಪಾರವು, ~80x-ಅತ್ಯತ್ಯವಾದ VRAM ನ ಶ್ವಾರ್ಟ್ಮೈನ್ ಅದನ್ನು ಉಚಿತವಾಗಿ ಮತ್ತು ಉಚ್ಚ ಪ್ರೊಗ್ರಾಮಕ್ಕೆ ಸೂಕ್ತವಾಗಿ ಮಾಡುತ್ತದೆ.
OpenMOSS
Apache 2.0
ವೇಗ
en, zh, de, es, fr, ja, it, ko, ru, ar, pt
2GB
ಹೌದು
ಉಚಿತ
Kokoro
ಉಚಿತ
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
ವೇಗ
Piper
ಉಚಿತ
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
ವೇಗ
VITS
ಉಚಿತ
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
ವೇಗ
MeloTTS
ಉಚಿತ
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
ವೇಗ
Kani TTS 2
ಉಚಿತ
Kani-TTS-2 by NineNineSix is an ultra-lightweight 400M parameter model built on a Liquid AI LFM2 backbone with NVIDIA NanoCodec. It runs in just 3GB VRAM and produces ~10 seconds of speech in ~2 seconds on an A100 (RTF 0.2). The current public release ships an English-only `kani-tts-2-en` checkpoint and does not expose the speaker-embedding hook needed for voice cloning — use Chatterbox / IndexTTS2 / F5-TTS for cloning, or Kokoro / MeloTTS for non-English.
NineNineSix
Apache 2.0
ವೇಗ
OuteTTS
ಉಚಿತ
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
ನಿಧಾನ
Pocket TTS
ಉಚಿತ
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
ವೇಗ
Kitten TTS
ಉಚಿತ
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
ವೇಗ
Ming-Omni TTS
ಉಚಿತ
Ming-omni-tts-0.5B by inclusionAI is a compact omni-modal speech model built on the BailingMM dense backbone with a Patch-by-Patch flow-matching audio decoder. Delivers 44.1kHz output (near CD quality), supports zero-shot voice cloning from a 3+ second reference, and includes built-in emotion / dialect / BGM control via JSON instructions. Excellent stability — 0.83% WER on Chinese benchmarks.
inclusionAI
Apache 2.0
ಮಧ್ಯಮ
MOSS-TTS Nano
ಉಚಿತ
MOSS-TTS-Nano-100M is OpenMOSS's compact 100M-parameter variant of the MOSS-TTS family, sharing the delay-transformer architecture. Trades the 8B model's peak quality for ~80x smaller weights and dramatically lower per-request VRAM, making it suitable for free-tier and high-throughput deployments. Same 20-language reach.
OpenMOSS
Apache 2.0
ವೇಗ
Bark
ಶಿಷ್ಟ
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
ನಿಧಾನ
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ಇಲ್ಲ
Bark Small
ಶಿಷ್ಟ
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
ಮಧ್ಯಮ
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ಇಲ್ಲ
CosyVoice 2
ಶಿಷ್ಟ
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
ಮಧ್ಯಮ
en, zh, ja, ko, fr, de, it, es
ಹೌದು
Dia TTS
ಶಿಷ್ಟ
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
ಮಧ್ಯಮ
en
ಇಲ್ಲ
Parler TTS
ಶಿಷ್ಟ
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
ಮಧ್ಯಮ
en
ಇಲ್ಲ
Indic Parler TTS
ಶಿಷ್ಟ
Indic Parler TTS by AI4Bharat extends the Parler architecture to Indian languages, generating natural speech in Tamil, Bengali, Marathi, Gujarati, Kannada, Punjabi, Odia, Assamese, Hindi, Telugu, Malayalam and English. Like Parler, you describe the voice you want in plain language and the model matches it — no preset voices required. Trained on AI4Bharat speech corpora for authentic pronunciation and prosody across the Indian subcontinent.
AI4Bharat
Apache 2.0
ನಿಧಾನ
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
ಇಲ್ಲ
KhanomTan TTS
ಶಿಷ್ಟ
KhanomTan TTS is an open Thai text-to-speech model built on the YourTTS multilingual architecture. Trained on CC0 and permissively-licensed Thai corpora (TSync) alongside several other languages, it delivers natural Thai speech with multiple speaker voices. A clean, commercially-usable option for Thai — the language most open TTS models only cover under non-commercial licenses.
Wannaphong Phatthiyaphaibun
Apache 2.0
ವೇಗ
th
ಇಲ್ಲ
IndexTTS-2
ಶಿಷ್ಟ
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
ಮಧ್ಯಮ
en, zh
ಹೌದು
Spark TTS
ಶಿಷ್ಟ
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
ಮಧ್ಯಮ
en, zh
ಹೌದು
GPT-SoVITS
ಶಿಷ್ಟ
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
ನಿಧಾನ
en, zh, ja, ko
ಹೌದು
Qwen3 TTS
ಶಿಷ್ಟ
Qwen3-TTS is a 1.7 billion parameter text-to-speech model from Alibaba's Qwen team. It supports two modes: preset voices with emotion control (9 speakers), 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
ಮಧ್ಯಮ
en, zh, ja, ko, de, fr, ru, pt, es, it
ಇಲ್ಲ
VieNeu-TTS-v2
ಶಿಷ್ಟ
VieNeu-TTS-v2 is a 300M parameter Vietnamese-first TTS model trained on 10,000+ hours of bilingual data. It supports seamless en-vi code-switching, 7 preset voices spanning Northern and Southern accents, and instant voice cloning from 3-5 seconds of reference audio. Runs entirely on CPU via GGUF Q4 inference + ONNX audio decoder — no GPU needed, generations finish in ~7 seconds. Built on a Qwen3 backbone.
Phạm Nguyễn Ngọc Bảo
Apache 2.0
ವೇಗ
vi, en
ಹೌದು
Chatterbox Turbo
ಶಿಷ್ಟ
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
ವೇಗ
en
ಹೌದು
VoxCPM
ಶಿಷ್ಟ
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
ವೇಗ
en, zh
ಹೌದು
VibeVoice
ಶಿಷ್ಟ
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
ವೇಗ
en, zh
ಇಲ್ಲ
CosyVoice3
ಶಿಷ್ಟ
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
ವೇಗ
en, zh, ja, ko, de, es, fr, it, ru
ಹೌದು
NAMAA Saudi TTS
ಶಿಷ್ಟ
NAMAA Saudi TTS is a Saudi Arabic fine-tune of Resemble AI's ChatterboxMultilingual. Trained by NAMAA Space on authentic Saudi-dialect speech, it produces natural Modern Standard Arabic and Saudi colloquial pronunciation that generic multilingual models cannot match. Inherits Chatterbox's zero-shot voice cloning and emotion control via reference audio prompts. The first open-weights Arabic TTS deployed on TTS.ai.
NAMAA Space
MIT
ಮಧ್ಯಮ
ar
ಹೌದು
Darwin TTS
ಶಿಷ್ಟ
Darwin-TTS-1.7B-Cross by FINAL-Bench is a research variant of Qwen3-TTS-1.7B where 84 talker-FFN tensors (8.6%) are blended at α=3% with the matching tensors from Qwen3-1.7B-Base. The blend is built without retraining and produces noticeably crisper cross-lingual voice cloning across Korean, English, Japanese, and Chinese. Operates in zero-shot voice-clone mode (3 seconds reference audio).
FINAL-Bench
Apache 2.0
ಮಧ್ಯಮ
en, ko, ja, zh
ಹೌದು
MOSS-TTSD
ಶಿಷ್ಟ
MOSS-TTSD v1.0 from OpenMOSS is a 7B dialogue text-to-speech model that continues conversations from a short audio prompt. Supports up to 5 simultaneous speakers via [S1]/[S2] tags, zero-shot voice cloning from 3-10s reference audio, and up to 60 minutes of coherent multi-turn dialogue across 20 languages. Distinct from MOSS-TTS — TTSD is specialized for podcast/audiobook/dubbing workflows.
OpenMOSS
Apache 2.0
ಮಧ್ಯಮ
en, zh
ಹೌದು
Chatterbox
ಪ್ರೀಮಿಯಾಮ್
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
ಮಧ್ಯಮ
en
ಹೌದು
4GB
4x
Tortoise TTS
ಪ್ರೀಮಿಯಾಮ್
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
ನಿಧಾನ
en
ಹೌದು
8GB
4x
StyleTTS 2
ಪ್ರೀಮಿಯಾಮ್
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
ಮಧ್ಯಮ
en
ಇಲ್ಲ
4GB
4x
OpenVoice
ಪ್ರೀಮಿಯಾಮ್
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
ಮಧ್ಯಮ
en, zh, ja, ko, fr, es
ಹೌದು
4GB
4x
Sesame CSM
ಪ್ರೀಮಿಯಾಮ್
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
ನಿಧಾನ
en
ಇಲ್ಲ
8GB
4x
ಮಾದರಿ ಹೋಲಿಕೆ ಟೇಬಲ್
| ಮಾದರಿ | ವಿಕಾಸಕ: | ಟೈಅರ್ | ಗುಣಮಟ್ಟ: | ವೇಗ | ಭಾಷೆಗಳು | ಧ್ವನಿ ಕೆರಳುವಿಕೆ | ವೈರಾಮ್ | ಪರವಾನಗಿ: | ಆದ್ಯತೆಗಳು | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | ವೇಗ | 8 | 1.5GB | Apache 2.0 | ಉಚಿತ | ಬಳಸು | ||
| Piper | Rhasspy | Free | ವೇಗ | 42 | 0 (CPU only) | MIT | ಉಚಿತ | ಬಳಸು | ||
| VITS | Jaehyeon Kim et al. | Free | ವೇಗ | 11 | 1GB | MIT | ಉಚಿತ | ಬಳಸು | ||
| MeloTTS | MyShell.ai | Free | ವೇಗ | 6 | 0.5GB (GPU optional) | MIT | ಉಚಿತ | ಬಳಸು | ||
| Bark | Suno | Standard | ನಿಧಾನ | 13 | 5GB | MIT | 2 | ಬಳಸು | ||
| Bark Small | Suno | Standard | ಮಧ್ಯಮ | 13 | 2GB | MIT | 2 | ಬಳಸು | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | ಮಧ್ಯಮ | 8 | 4GB | Apache 2.0 | 2 | ಬಳಸು | ||
| Dia TTS | Nari Labs | Standard | ಮಧ್ಯಮ | 1 | 4GB | Apache 2.0 | 2 | ಬಳಸು | ||
| Parler TTS | Hugging Face | Standard | ಮಧ್ಯಮ | 1 | 4GB | Apache 2.0 | 2 | ಬಳಸು | ||
| Indic Parler TTS | AI4Bharat | Standard | ನಿಧಾನ | 12 | 8GB | Apache 2.0 | 2 | ಬಳಸು | ||
| KhanomTan TTS | Wannaphong Phatthiyaphaibun | Standard | ವೇಗ | 1 | 2GB | Apache 2.0 | 2 | ಬಳಸು | ||
| IndexTTS-2 | Index Team | Standard | ಮಧ್ಯಮ | 2 | 4GB | Bilibili Model License | 2 | ಬಳಸು | ||
| Spark TTS | SparkAudio | Standard | ಮಧ್ಯಮ | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | ಬಳಸು | ||
| GPT-SoVITS | RVC-Boss | Standard | ನಿಧಾನ | 4 | 6GB | MIT | 2 | ಬಳಸು | ||
| Orpheus | Canopy Labs | Standard | ಮಧ್ಯಮ | 1 | 4GB | Llama 3.2 Community | 2 | ಬಳಸು | ||
| Chatterbox | Resemble AI | Premium | ಮಧ್ಯಮ | 1 | 4GB | MIT | 4 | ಬಳಸು | ||
| Tortoise TTS | James Betker | Premium | ನಿಧಾನ | 1 | 8GB | Apache 2.0 | 4 | ಬಳಸು | ||
| StyleTTS 2 | Columbia University | Premium | ಮಧ್ಯಮ | 1 | 4GB | MIT | 4 | ಬಳಸು | ||
| OpenVoice | MyShell.ai / MIT | Premium | ಮಧ್ಯಮ | 6 | 4GB | MIT | 4 | ಬಳಸು | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | ಮಧ್ಯಮ | 10 | 7GB | Apache 2.0 | 2 | ಬಳಸು | ||
| VieNeu-TTS-v2 | Phạm Nguyễn Ngọc Bảo | Standard | ವೇಗ | 2 | CPU | Apache 2.0 | 2 | ಬಳಸು | ||
| Sesame CSM | Sesame | Premium | ನಿಧಾನ | 1 | 8GB | Apache 2.0 | 4 | ಬಳಸು | ||
| Chatterbox Turbo | Resemble AI | Standard | ವೇಗ | 1 | 2GB | MIT | 2 | ಬಳಸು | ||
| VoxCPM | OpenBMB | Standard | ವೇಗ | 2 | 4GB | Apache 2.0 | 2 | ಬಳಸು | ||
| Kani TTS 2 | NineNineSix | Free | ವೇಗ | 1 | 3GB | Apache 2.0 | ಉಚಿತ | ಬಳಸು | ||
| OuteTTS | OuteAI | Free | ನಿಧಾನ | 1 | 2GB | Apache 2.0 | ಉಚಿತ | ಬಳಸು | ||
| VibeVoice | Microsoft | Standard | ವೇಗ | 2 | 4GB | MIT | 2 | ಬಳಸು | ||
| Pocket TTS | Kyutai | Free | ವೇಗ | 2 | 1GB | MIT | ಉಚಿತ | ಬಳಸು | ||
| Kitten TTS | KittenML | Free | ವೇಗ | 1 | 0GB | Apache 2.0 | ಉಚಿತ | ಬಳಸು | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | ವೇಗ | 9 | 4GB | Apache 2.0 | 2 | ಬಳಸು | ||
| NAMAA Saudi TTS | NAMAA Space | Standard | ಮಧ್ಯಮ | 1 | 6GB | MIT | 2 | ಬಳಸು | ||
| Darwin TTS | FINAL-Bench | Standard | ಮಧ್ಯಮ | 4 | 7GB | Apache 2.0 | 2 | ಬಳಸು | ||
| MOSS-TTSD | OpenMOSS | Standard | ಮಧ್ಯಮ | 2 | 12GB | Apache 2.0 | 2 | ಬಳಸು | ||
| Ming-Omni TTS | inclusionAI | Free | ಮಧ್ಯಮ | 2 | 3GB | Apache 2.0 | ಉಚಿತ | ಬಳಸು | ||
| MOSS-TTS Nano | OpenMOSS | Free | ವೇಗ | 11 | 2GB | Apache 2.0 | ಉಚಿತ | ಬಳಸು |
ಮಾತಿನ ಪ್ಲಾಟಿನಮ್
Why Choose TTS.ai for Text to Speech?
TTS.ai ಜಗತ್ತಿನ ಅತ್ಯುತ್ತಮ ಮುಕ್ತ-ಸಂಪಾದ ಪಠ್ಯ-ಸಂಚಾರ ಮಾದರಿಗಳನ್ನು ಒಂದೇ, ಸುಲಭವಾಗಿ ಉಪಯೋಗಿಸಬಹುದಾದ ಪ್ಲಾಟ್ ನಲ್ಲಿ ತರುತ್ತದೆ. ನಿಮ್ಮನ್ನು ಒಂದೇ ಧ್ವನಿ ಎಂಜಿನಿನಲ್ಲಿ ಬಂಧಿಸುವ ಸಂಶೋಧನಾ ಸೇವೆಗಳಂತಿರದೆ TTS.ai ನಿಮಗೆ ಕಾಕ್ಯೂಕ್, ಶಾಲ್, ಶಾಲ್ ಐಡಿಯಾ, ಸುಲ್ಐಓ, ಸುಂಕೊ, ಮತ್ತು ಹೈಸ್ಕೂ ಯೂನಿವರ್ಸಿಟಿ ಮುಂತಾದ 20+ ಮಾದರಿಗಳಿಗೆ ಪ್ರವೇಶ ನೀಡುತ್ತದೆ.
ಪ್ರತಿಯೊಂದು ಮಾದರಿ MIT, PHAT 2. 02 ಅಥವಾ ಇತ್ಯಾದಿಗಳ ಲೈಸನ್ಸ್, ನಿಮ್ಮ ಯೋಜನೆಗಳಲ್ಲಿ ಉತ್ಪಾದಿಸಲಾದ ಆಡಿಯೊವನ್ನು ಬಳಸಲು ನಿಮಗೆ ಪೂರ್ಣವಾದ ವಾಣಿಜ್ಯ ಹಕ್ಕುಗಳನ್ನು ಹೊಂದಲಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ನಿಮಗೆ user-Time users and the real- distribooks and Pictures and Poston and users and users obacks and and users perracks and users, TTS.ai ಪ್ರತಿ ಅನ್ವಯಕ್ಕೂ ಸರಿಯಾದ ಮಾದರಿ ಇದೆ.
ಉಚಿತ ಮಾದರಿಗಳು, ಲೆಕ್ಕಾಚಾರ ಅಗತ್ಯವಿಲ್ಲ
ಮೂರು ಉಚಿತ TTS ಮಾದರಿಗಳೊಂದಿಗೆ ತಕ್ಷಣ ಆರಂಭಗೊಳ್ಳು: Pyper (fort- fast- ever- feight), VITS (ಹೆಚ್ಚಿನ- Plot- Policy Synthes), ಮತ್ತು MlotTS (multity- Letts). ಯಾವುದೆ ಸಂಕೇತ, ಕ್ರೆಡಿಟ್ ಕಾರ್ಡು ಇಲ್ಲ, ಕ್ರೆಡಿಟ್ ಕಾರ್ಡ್ ಅನುಕ್ರಮಗಳಿಲ್ಲ. ಉಚಿತ ಮಾದರಿಗಳು ಇಂಗ್ಲೀಷ್ ಹಾಗು ಇತರ ಅನೇಕ ಅನ್ವಯಗಳಿಗೆ ಹೆಚ್ಚಿನ ಅನ್ವಯಗಳಿಗೆ ಸೂಕ್ತವಾದ ಪ್ರದಾನವನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ.
GPU- ಅನಧೀಕೃತ ಪ್ರಕ್ರಿಯೆಗಳು
ಎಲ್ಲಾ TTS ಮಾದರಿಗಳು ದ್ವಿತೀಯವಾದ, ಅನುಕ್ರಮಿತ ಪೀಳಿಗೆಯ ಸಮಯಗಳಿಗಾಗಿ ಚಲನೆಗೊಳ್ಳುತ್ತವೆ. ಸಾಮಾನ್ಯವಾಗಿ ಕಾಕೋರೋ, ಕೊಸಿಇಸ್ಕೋಸ್ 2 ಮತ್ತು ಬಾರ್ಬರ್ ೩- ೨ ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಆಡಿಯೋಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ. ಟೊರೆಸ್ ಮತ್ತು ಹರಟೆಟ್ಗಳಂತಹ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಪ್ರೊಗ್ರಾಮ್ಗಳು, ಪಠ್ಯದ ಉದ್ದಕ್ಕೆ ಹೊಂದಿಕೊಂಡು 5-15 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಚುಕ್ಕಿಗಳಾಗಿರುತ್ತವೆ.
30+ ಭಾಷೆಗಳು ಬೆಂಬಲಿತName
ಇಂಗ್ಲಿಷ್, ಸ್ಪ್ಯಾನಿಷ್, ಫ್ರೆಂಚ್, ಪೋರ್ಚುಗೀಸ್, ಚೀನೀ, ಚೀನೀ, ಕೊರಿಯನ್, ಹಿಂದಿ, ರಷ್ಯನ್, ಮತ್ತು ಇನ್ನೂ ಹೆಚ್ಚಿನ ಭಾಷೆಗಳನ್ನೊಳಗೊಂಡು 30ಕ್ಕಿಂತ ಹೆಚ್ಚು ಭಾಷೆಗಳಲ್ಲಿ ಮಾತನಾಡನ್ನು ತಯಾರಿಸಿ. ಅನೇಕ ಮಾದರಿಗಳು ನೀವು ಒಂದು ಭಾಷೆಯಲ್ಲಿ ಸಂಭಾಷಾ ಶಕ್ತಿಯನ್ನು ಸಂಸ್ಕರಿಸಬಹುದು, ಅದರ ಅರ್ಥವು ಎಂದೂ ತರಬೇತಿಗೊಳಿಸಲ್ಪಟ್ಟಿರಲಿಲ್ಲ. ಕೋಸಿಸ್ 2 ಮತ್ತು GCOV ಮತ್ತು GVI-SOVIS ಒಂದೇ ಶಬ್ದದಲ್ಲಿ ಸುಪ್ರಸಿದ್ಧ ಸ್ವರದಲ್ಲಿ ಹೆಚ್ಚು ಉತ್ತಮವಾಗಿದೆ.
ವಿಕಾಸಕ- ಓದುಗ API
ನಿಮ್ಮ ಅನ್ವಯಗಳಲ್ಲಿ TTS.ai ಅನ್ನು ನಮ್ಮ ಆದಾನ- ಸವಲತ್ತಾದ ಸಮಕಾಲೀನ API ಗೆ ವರ್ಗೀಕರಿಸಿ. ಎಲ್ಲಾ 20+ ಮಾದರಿಗಳಿಗೆ ಒಂದು ಕೊನೆಯ ಅಂಶ. ಪೈಥಾನ್, JavaScript, CLRC, ಹಾಗು GCL. o. user-நேர ಅನ್ವಯಗಳಿಗೆ ಬೆಂಬಲ ನೀಡಿ. ದೊಡ್ಡ-ಸಂಘಟಿತವಾದ ಪೀಳಿಗೆಗಾಗಿ ಕುಣಿಕೆ (applications). ಒಂದು Comple chars ಅನ್ನು ಒಳಗೊಂಡಿರುವ ಪ್ರತಿಯೊಂದು ಅನ್ವಯವನ್ನೂ ಒಳಗೊಂಡಿದೆ. ಪ್ರತಿಯೊಂದು ಅನ್ವಯವನ್ನೂ ಒಳಗೊಂಡಿದೆ.
ಅನೇಕವೇಳೆ ಪ್ರಶ್ನೆಗಳು
ನೀವೇನು ಉತ್ತರ ಕೊಡುವಿರಿ?
ಪಠ್ಯವನ್ನು ಈಗ ಸಂವಾದಕ್ಕೆ ಬದಲಿಸಲಾಗುತ್ತಿದೆ
TTS.ai ಬಳಸಿ ಸಾವಿರದ ನಿರ್ಮಾಣಕಾರನನ್ನು ಸೇರ್ಪಡೆ! 15,000 ಅಕ್ಷರಗಳನ್ನು ಒಂದು ಹೊಸ ಖಾತೆಯೊಂದಿಗೆ ಸೇರಿಸಿ. ಉಚಿತ ಸಾಧನಗಳು ಯಾವುದೇ ನೋಂದಣಿ ಇಲ್ಲದೆ ಲಭ್ಯ.