ಮಾತಿನ ಪಠ್ಯ AI ಏಜರ್‌ಗಳು ಸಂಗೀತ ಟೆಕ್ಸ್ಟ್‍ಗೆ ಧ್ವನಿ ಧ್ವನಿ ಕೆರಳುವಿಕೆ ಧ್ವನಿ ವಿನ್ಯಾಸName ಮಾರುಕಟ್ಟು ಇನ್ನಷ್ಟು

ಮಾತಾಡಲಿಕ್ಕಾಗಿ ಒಂದು II ಪಠ್ಯ

ಮುಕ್ತ- ಪ್ರಕ್ಷೇಪಣಾ ಕ್ರಮದೊಂದಿಗೆ ಪಠ್ಯವನ್ನು ನಿಸರ್ಗ- ಧ್ವನಿಗೆ ಬದಲಾಯಿಸು. ಬಳಸಲು ಸ್ವತಂತ್ರ, ಯಾವುದೇ ಖಾತೆ ಅಗತ್ಯವಿಲ್ಲ.

ಮುಕ್ತವಾಗಿ ಮೇಲೆ ಗುರುತಿಸು
ನಿನ್ನ ಭಾಷೆಯಲ್ಲಿ ನಮಗೆ ಟಿಟ್ಸ್‌ ಇಲ್ಲ, ನಿನ್ನ ಸ್ವರಗಳನ್ನು ಕೂಡಿಸು; ನಮಗೆ ಸಹಾಯಮಾಡು. ಧ್ವನಿಯನ್ನು ಮಾರಿರಿ
0/500 ಲಿಪ್ಯಂಶಗಳು
ಚಿಹ್ನೆಯನ್ನು ಚಿಹ್ನೆಯಾಗಿಸು 5,000 ಅಕ್ಷರ ಮಿತಿಗಾಗಿ

ನಿಖರವಾದ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ನಿಮ್ಮ ಪಠ್ಯವನ್ನು SSML ಟ್ಯಾಗ್‌ಗಳಲ್ಲಿ ಭದ್ರಗೊಳಿಸು:

<speak><prosody rate="slow">Slow speech</prosody></speak>

ಹೆರಿಗೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಭಾವಾವೇಶದ ಗುರುತುಗಳು (ಮೈಲಾಬಲ್‌ ಬೆಂಬಲದಲ್ಲಿ ಭಿನ್ನ ಭಿನ್ನವಾಗಿರುತ್ತವೆ):

ಗ್ರಾಹಕೀಯ ಉದ್ಧರಣೆಗಳನ್ನು (ಮಾತು = ಉಚ್ಚಾರಣೆಯನ್ನು) ಅರ್ಥನಿರೂಪಿಸು:

-12 +12
0.5x 2.0x
ಪಿಪರ್‌, ವೈಟ್ಸ್‌, ಮೆಲೋಟ್ಸ್‌
ನೀವು ಉತ್ಪಾದಿಸಿದ ಆಡಿಯೊವು ಇಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಒಂದು ನಮೂನೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿ, ಪಠ್ಯವನ್ನು ನಮೂದಿಸಿ ಮತ್ತು ಉತ್ಪತ್ತಿಯನ್ನು ಒತ್ತಿ.
ಶ್ರವ್ಯಾಂಶ (ಆಡಿಯೋ) ದೃಡೀಕರಿಸಲಾದ ಧ್ವನಿ
ಆಡಿಯೊವನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡು ಕೊಂಡಿಯ ವಾಯಿದೆ 24h ನಲ್ಲಿ
ನಿಮ್ಮ ಸ್ನೇಹಿತರನ್ನು ಪ್ರೀತಿಸುತ್ತೀರಾ?

ಮಾದರಿ ವಿವರಗಳು

Zonos

Zonos

Standard

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.

ವಿಕಾಸಕ: Zyphra
ಪರವಾನಗಿ: Apache 2.0
ವೇಗ Medium
ಗುಣಮಟ್ಟ:
ಭಾಷೆಗಳು 5 ಭಾಷೆಗಳು
ವೈರಾಮ್‌ 6GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ ಬೆಂಬಲಿತ
ವೈಶಿಷ್ಟ್ಯಗಳು:
Emotion control Voice cloning SSM architecture Multilingual Pitch/rate control
ಇದಕ್ಕೆ ಉತ್ತಮ:: Expressive speech with emotion control, voice design studio

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 ೧K ಅಕ್ಷರಗಳ ಬೆಲೆ
ಉಚಿತ ೦ ರದ್ದುಗಳು (ಅನಿಶ್ಚಿತ)
ಶಿಷ್ಟ ದ್ವಿಪ್ರತಿಗಳು / 1K ಅಕ್ಷರಗಳು
ಪ್ರೀಮಿಯಾಮ್ 4 ಶ್ಲಾಘನೆಗಳು / 1K ಅಕ್ಷರಗಳು
ಇನ್ನಷ್ಟು ಲಿಪ್ಯಂಶಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳಿ

ಮಾತಿನ ಕಲೆಯನ್ನು ಕಲಿಸುವ II ವಚನ

ವೃತ್ತಿ- ವ್ಯವಸ್ಥಿತ ಶ್ರೇಣಿಯನ್ನು ಮೂರು ಸರಳ ಹೆಜ್ಜೆಗಳಲ್ಲಿ ಉತ್ಪಾದಿಸು. ಯಾವುದೇ ತಂತ್ರಜ್ಞಾನ ಜ್ಞಾನದ ಅಗತ್ಯವಿಲ್ಲ.

ಹೆಜ್ಜೆ 1

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.

ಹೆಜ್ಜೆ 2

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.

ಹೆಜ್ಜೆ 3

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.

ಶ್ರವ್ಯಾಂಶ (ಆಡಿಯೋ) ಪುಸ್ತಕಗಳುName

ಕ್ಷಿಪ್ರಮಾಣದಲ್ಲಿ ಲಿಪ್ಯಂಶದ ಬೆಂಬಲ Dia ಅನ್ನು ಬಳಸಿಕೊಂಡು Dia ಅನ್ನು ಮರಳಿಪಡೆಯಿರಿ.

ದೃಷ್ಯಾಂಶ (ವೀಡಿಯೋ) ಧ್ವನಿವಿನ್ಯಾಸಗಳುName

ಯೂಟ್ಯೂಬ್, ಟಿಕ್ ಟೋಕ್, ಇಂಟರ್ಟಾರಾಮ್ ರೇಲ್ಸ್ ಮತ್ತು ಶಾರ್ಟ್ಸ್. 100+ ಧ್ವನಿಗಳನ್ನು ಅಥವಾ ನಿಮ್ಮ ಸ್ವಂತ ಶುಕ್ರತ್ತುಗಳನ್ನು ನಿರ್ಮಿಸಿ.

ಪ್ಲಾಟ್‌ಲೈಟ್‌ಗಳು

ಅನೇಕ AI ಧ್ವನಿಗಳಿಂದ ಕಲಾಕ್ರಮಣಾ (ಸ್ಕ್ರಿಪ್ಟ್) ಕಸ್ಟಮೈಸ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸು. Dia ಅನ್ನು ಸ್ವಾಭಾವಿಕವಾದ ಎರಡು- ಪ್ರಕ್ಷೇಪಕ ಸಂಭಾಷಣೆಗಳಿಗೆ ಬಳಸಿ.

ಆಟಗಾರಿಕೆ

ನ್ಯಾವಹೋ ಆಟಗಳು, ದೃಶ್ಯ ನವಿಲುಗಳು, ಮತ್ತು ಮನವೊಪ್ಪಿಸುವ ಕಲ್ಪನಾಕಥೆಗಳಿಗಾಗಿ ನಾನು ಆಡುತ್ತಿರುವ ಧ್ವನಿ. NPC ಸಂವಾದ, ಕತ್ತರಿಸುವ ಧ್ವನಿಗಳು, 30+ ಭಾಷೆಗಳು.

ಇ- ವಿಶ್ಲೇಷಣೆ

ಕಾಲಾನುಕ್ರಮ ವಸ್ತುಗಳು, ಭಾಷಣಗಳು ಮತ್ತು ತರಬೇತುಗಳನ್ನು ಆಡಿಯೊವಾಗಿ ಪರಿವರ್ತಿಸು. ಸಾರ್ವತ್ರಿಕ ಪ್ಲಾಟ್‌ಗಳಿಗೆ ಬಹು - ಭಾಷೆಯ ಬೆಂಬಲ.

ಸುಲಭ ಲಭ್ಯತೆ (ಅಕ್ಸೆಸಿಬಲಿಟಿ)

ಜಾಲತಾಣಗಳು, ದಸ್ತಾವೇಜುಗಳು ಮತ್ತು Apps ಅನ್ನು ಲಭ್ಯಗೊಳಿಸಿ. ತೆರೆಯ ಓದುಗನ API ಒಗ್ಗೂಡಿಕೆ ಹಾಗು ಲೇಖನ-ಆಡಿಯೋ ಪರಿವರ್ತನೆ.

IVR ಮತ್ತು ದೂರವಾಣಿ ವ್ಯವಸ್ಥೆಗಳುName

IVIVR ವ್ಯವಸ್ಥಾಪನೆಗಳು, ಫೋನ್ ಪರಿವಿಡಿಗಳು ಮತ್ತು ಕಂಟೇನರ್ ಸೇವೆ ನೈಸರ್ಗಿಕ AI ಧ್ವನಿಯೊಂದಿಗೆ. ಕರೆ ಕೇಂದ್ರಗಳಿಗಾಗಿ ಕೆಳಮಟ್ಟದ ಹರಿಯುತ್ತದೆ.

ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ

TikTokage Pictures, Instra Raels, ಟ್ವಿಟೆರ್/X ವ್ಯಾಖ್ತೆ, ಯೂಟ್ಯೂಟ್ ಶಾರ್ಟ್ಸ್. ಕ್ಷಿಪ್ರಪ್ರಪ್ರಕ್ರಮ. ಕ್ಷಿಪ್ರಪ್ರಪ್ರಪ್ರಮಾಣ.

ಸ್ಟ್ರೀಮಿಂಗ್

TechTTS ಎಚ್ಚರಿಕೆಗಳು, ಚಾಲನೆ-ಗೆ-ಅನ್‌-ಸೇರ್‌ಗಳು, ಮತ್ತು ಮುದ್ರಿಕೆ ಫಲಕಗಳು. ಕೆಳಮಟ್ಟದ ಆರಂಭಿಕ, ೧೦+ ಧ್ವನಿಗಳು, ಸ್ಟ್ರೀಮ್ ಎಲೆಗೇಶನ್‌ಗಳು ಸಹ ಹೊಂದುತ್ತವೆ.

ವಿನಿಮಯಗಾರ

ಪ್ರಾಪಗ್ಯಾಂಡಗಳಾದ್ಯಂತ ಆಡಿಯೋ ಕಲೆಯನ್ನು ಅಳೆಯಿರಿ.

ಬೈಂಬಿಂಗ್( ಲ) ಮತ್ತು ಸ್ಥಳೀಯಗೊಳಿಸುವಿಕೆ

30+ ತಂತ್ರಾಂಶದ ಅನುವಾದಿತ AI. ಸ್ವಯಂ- ಅನುವಾದಣೆ ಹಾಗು ಭಾಷಣಕಾರಕ ಪತ್ತೆಹಚ್ಚುವಿಕೆ.

ಧ್ಯಾನ ಮತ್ತು ಸುಕ್ಷೇಮ

ಗಮನಕೊಟ್ಟು ಧ್ಯಾನಿಸಿ, ನಿದ್ದೆಯ ಕಥೆಗಳು, ಉಸಿರಾಟದ ವ್ಯಾಯಾಮಗಳು, ಶಾಂತವಾದ, ಚೇತರಿಸಿಕೊಳ್ಳುವ ಏಐಐ ಧ್ವನಿಗಳಿಂದ ಚೇತರಿಸಿಕೊಳ್ಳಿ.
ಎಲ್ಲಾ ಕೇಸ್‌ಗಳನ್ನೂ ಉಪಕರಣಗಳನ್ನೂ ನೋಡಿ

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.

KokoroKokoro

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 ಧ್ವನಿ ಧ್ವನಿ ಶಬ್ದಗಳೊಂದಿಗೆ ಅನುಭೋಗಿಸುತ್ತದೆ. ವಿಸ್ಮಯಕರವಾಗಿ, ಒಂದು GPU- ಸಮಯಕ್ಕಿಂತ ೨೦೦ ಕ್ಕೆ ಹೆಚ್ಚು ವೇಗವಾಗಿ ಚಲಾಯಿಸುತ್ತದೆ. ಇದು GPU ಯಲ್ಲಿ ಚಾಲನೆಯಷ್ಟು ವೇಗವಾಗಿ ಚಲಾಯಿಸುತ್ತದೆ.

ವಿಕಾಸಕ::
Hexgrad
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
ವೈರಾಮ್‌:
1.5GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
ಉಚಿತ
82M ಪ್ರಮಿತಿಗಳು ಅತಿ ಹೆಚ್ಚು- ಪ್ರಕ್ಷೇಪಕ ಶ. ಪೂ. ಬಹುಮಾಧ್ಯಮ ಸ್ಟ್ರೀಮಿಂಗ್ ಬೆಂಬಲ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಅಲ್ಪಾವಧಿಯ, ತದ್ರೂಪುಗೊಳಿಸುವಂಥ ಅನ್ವಯಗಳನ್ನೊಳಗೊಂಡ ಗಾಢವಾದ TTS
ಪ್ರಯತ್ನಿಸಿ Kokoro

PiperPiper

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.

ವಿಕಾಸಕ::
Rhasspy
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
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
ವೈರಾಮ್‌:
0 (CPU only)
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
ಉಚಿತ
CPU- ಸ್ನೇಹಪರ ಆಫ್‌ಲೈನ್‌ ಸಮರ್ಥವಾಗಿದೆ ೧೦+ ಧ್ವನಿಗಳು 30+ ಭಾಷೆಗಳುName SSML ಬೆಂಬಲ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಶೀಘ್ರ ಮುನ್ನೋಟಗಳು, ನಿಲುಕಣೆ (ಆಕ್ಸೆಸಿಬಿಲಿಟಿ) ಮತ್ತು ಅಡಕಗೊಳಿಸಲಾದ ಅನ್ವಯಗಳು
ಪ್ರಯತ್ನಿಸಿ Piper

VITSVITS

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.

ವಿಕಾಸಕ::
Jaehyeon Kim et al.
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, ja, ko
ವೈರಾಮ್‌:
1GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
ಉಚಿತ
ಶೀಘ್ರ- ಧ್ವನಿವಧ೯ಕ ನೈಸರ್ಗಿಕ ಪೂರಕ ವೇಗವಾಗಿ ಬಹು ಧ್ವನಿಕಾರಕಗಳು
ಇದಕ್ಕೆ ಉತ್ತಮ:: ನೈಸರ್ಗಿಕ ಪ್ರೊಗ್ರಾಂನಲ್ಲಿನ ಪಠ್ಯ- ಪ್ರೊಗ್ರಾಮ್ ಅನ್ನು ಓದುಗೊಳಿಕೆ
ಪ್ರಯತ್ನಿಸಿ VITS

MeloTTSMeloTTS

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.

ವಿಕಾಸಕ::
MyShell.ai
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, es, fr, zh, ja, ko
ವೈರಾಮ್‌:
0.5GB (GPU optional)
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
ಉಚಿತ
CPU- ಆಯಾಮಿಸಲಾಗಿದೆ ಬಹುಮಾಧ್ಯಮ ಬಹು ಘಾತಚಿಹ್ನೆಗಳು ಅಡುಗೆ- ಸಿದ್ಧತಾ (dreview) ಕೆಳಮಟ್ಟದ (ಲೋಡನ್ಸಿ) Name
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಶೀಘ್ರ, ಬಹುಭಾಷೀಯ TTS ಒದಗಿಬಂದ ಅನ್ವಯಗಳನ್ನು ತಯಾರಿಸಲು
ಪ್ರಯತ್ನಿಸಿ MeloTTS

BarkBark

Standard

ಝೋನ್‌ನಿಂದ ಬಾಕ್ಸ್‌ ಒಂದು ವಿಭಾಜಕ ಪಠ್ಯ- base- base- base- base- base- 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.

ವಿಕಾಸಕ::
Suno
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Slow
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ವೈರಾಮ್‌:
5GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಧ್ವನಿ ಪರಿಣಾಮಗಳು ನಸುನಗೆ/ಮುಖ್ಯ ಸಂಗೀತ ಉತ್ಪಾದನೆName 100+ ಭಾಷಣಕಾರರುName ಬಹುಮಾಧ್ಯಮ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಭಾವ, ಧ್ವನಿ ಪರಿಣಾಮಗಳನ್ನು ಹೊಂದಿರುವ ಆಡಿಯೊ ಪುಸ್ತಕಗಳನ್ನು ನಿರ್ಮಿಸು
ಪ್ರಯತ್ನಿಸಿ Bark

Bark SmallBark 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.

ವಿಕಾಸಕ::
Suno
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ವೈರಾಮ್‌:
2GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ತಿಳಿ ದರ ಪೂರ್ಣ ಬಾರ್ಕ್‌ಗಿಂತ ವೇಗ ಭಾವಾತ್ಮಕ ಮಾತು ಬಹುಮಾಧ್ಯಮ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ತುಂಬ ಬಾರ್ಕ್ ಬಹಳ ನಿಧಾನವಾಗಿದ್ದಲ್ಲಿ ಶೀಘ್ರವಾದ ಸೃಷ್ಟಿಕಾರಕ ಧ್ವನಿ
ಪ್ರಯತ್ನಿಸಿ Bark Small

CosyVoice 2CosyVoice 2

Standard

CosyVoice 2 ಟೋಂಬಾ ಟೋಂಬಾ ಟೋಂಗ್ನಿ ಲ್ಯಾಬ್ ಮಾನವ ಸಂಬಂಧಿತವಾದ ಭಾಷಣದ ಗುಣಮಟ್ಟವನ್ನು ಕಡಿಮೆ ಕಡಿಮೆ ಕಡಿಮೆ ಕಡಿಮೆ 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.

ವಿಕಾಸಕ::
Alibaba (Tongyi Lab)
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, ja, ko, fr, de, it, es
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಸ್ಟ್ರೀಮಿಂಗ್ ಶೂನ್ಯ- ಕಾಲುವೆ (zone- shoose) ಗೊಳಿಕೆ ಸೈಸ್- ಇಂಡೆಲಿಂಗ್ ಏಕವಣಾ ನಿಯಂತ್ರಣ ಮಾನವ ವಿಶಿಷ್ಟ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ರಿಯಲ್- ಸಮಯ ಅನ್ವಯಗಳು, TTS, ಧ್ವನಿ ಸಹಾಯಕಗಳುName
ಪ್ರಯತ್ನಿಸಿ CosyVoice 2

Dia TTSDia 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.

ವಿಕಾಸಕ::
Nari Labs
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಬಹು- ಪ್ರಕ್ಷೇಪಕ ಸಂವಾದ ಉತ್ಪತ್ತಿComment ನೈಸರ್ಗಿಕ ಪರಿವರ್ತನೆ ಭಾವಾತ್ಮಕ ಅಭಿವ್ಯಕ್ತಿ ೧೮೦B ಪ್ರಮಿತಿಗಳು
ಇದಕ್ಕೆ ಉತ್ತಮ:: போடಿಪ್‌ಗಳು, ಆಡಿಯೊ ಪುಸ್ತಕ ಸಂವಾದಗಳು, ಸಂಭಾಷಣಾ ಸಂವಾದಗಳು
ಪ್ರಯತ್ನಿಸಿ Dia TTS

Parler TTSParler 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.

ವಿಕಾಸಕ::
Hugging Face
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಧ್ವನಿ ವಿವರಣೆ ನೈಸರ್ಗಿಕ ಭಾಷೆ ನಿಯಂತ್ರಣ ರೂಪಾಂತರಿಸಬಹುದಾದ ಧ್ವನಿ ಸೃಷ್ಟಿಯು ಯಾವುದೆ ಮುಂಚಿತ ಧ್ವನಿಗಳ ಅಗತ್ಯವಿಲ್ಲ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಗ್ರಾಹಕೀಯ ವ್ಯವಸ್ಥ್ಯಾ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಎಲ್ಲಿ ಅಗತ್ಯವೋ ಆ ಅನ್ವಯಗಳನ್ನು ನಿರ್ಮಿಸಿName
ಪ್ರಯತ್ನಿಸಿ Parler TTS

GLM-TTSGLM-TTS

Standard

zipa AI ನಿಂದ GLM-TTS ವು ಒಂದು ಪಠ್ಯ- ಲಿಪಿಯ ನಿರ್ಮಾಪಕವು ಹೊಂದಿಕೆಯೊಂದಿಗೆ ನಿರ್ಮಿಸಲ್ಪಡುತ್ತದೆ. ಇದು ಮುಕ್ತ- Source- TTS ಮಾದರಿಗಳ ನಡುವೆ ಕಡಿಮೆ ಅಕ್ಷರ ಪ್ರಮಾಣವನ್ನು ಸಾಧಿಸುತ್ತದೆ, ಮತ್ತು ಇದು ಅತಿ ನಿಷ್ಕೃಷ್ಟವಾದ ಉಚ್ಚ ಉಚ್ಚ ಉಚ್ಚರಣೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. GLM-TTS ಸ್ನಾಯು 3- ೧ನೆಯ ಎರಡನೆಯ ಆಡಿಯೋ ಮಾದರಿಗಳಿಂದ ಧ್ವನಿಗೆ ಅನುಮೋದಿಸುತ್ತದೆ.

ವಿಕಾಸಕ::
Zhipu AI
ಪರವಾನಗಿ::
GLM-4 License
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಅತ್ಯಂತ ಕಡಿಮೆ ದೋಷದ ದರ ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ ಪ್ರಕ್ಷೇಪಣಾ (ಲಾಂಚ್) ಸರಿಹೊಂದಿಕೆName ನೈಸರ್ಗಿಕ ಪೂರಕ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಅನ್ವಯಗಳಿಗೆ ಗರಿಷ್ಠ ಉಚ್ಚಪ್ರಮಾಣದ ಮಾನ್ಯತೆಯ ಅಗತ್ಯವಿದೆ
ಪ್ರಯತ್ನಿಸಿ GLM-TTS

IndexTTS-2IndexTTS-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.

ವಿಕಾಸಕ::
Index Team
ಪರವಾನಗಿ::
Bilibili Model License
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಏಕವಣಾ ನಿಯಂತ್ರಣ ಶೂನ್ಯ- ಕಾಲುವೆ ಊರ್ಜಿತ ವೆಕ್ಟರುಗಳು ಭಾವಪ್ರಚೋದಕ ಮಾತುಗಳು ಉತ್ತಮ- ಸಿದ್ಧಗೊಂಡ ನಿಯಂತ್ರಣ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಭಾವಾತ್ಮಕವಾಗಿ ಹೊರಹೊಮ್ಮುವ, ಆಡಿಯೊ ಪುಸ್ತಕಗಳು, ವಾಸ್ತವಪ್ರಾಯ ಸಹಾಯಕಗಳುName
ಪ್ರಯತ್ನಿಸಿ IndexTTS-2

Spark TTSSpark 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.

ವಿಕಾಸಕ::
SparkAudio
ಪರವಾನಗಿ::
CC BY-NC-SA 4.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ ಏಕವಣಾ ನಿಯಂತ್ರಣ ಶೈಲಿ ನಿಯಂತ್ರಣ ಆಕ್ಷೇಪಣೀಯ ೫- ಎರಡನೆ ಸೆಕೆಂಡು
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಆರಾಮ ವ್ಯಂಗ್ಯ ಧ್ವನಿಗಳು ಮತ್ತು ಭಾವಾತ್ಮಕ ನಿಯಂತ್ರಣದೊಂದಿಗೆ ವಿಷಯ ಸೃಷ್ಟಿಯು
ಪ್ರಯತ್ನಿಸಿ Spark TTS

GPT-SoVITSGPT-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.

ವಿಕಾಸಕ::
RVC-Boss
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Slow
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, ja, ko
ವೈರಾಮ್‌:
6GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
೫- ಎರಡನೆ ಸೆಕೆಂಡು ಹಾಡುವ ಧ್ವನಿ ಅಲ್ಪ- ಟೊಪ್ಪಿ ಕಲಿಯುವಿಕೆName ಉಚ್ಚ ನಂಬಿಗಸ್ತಿಕೆ ಸೈಸ್- ಇಂಡೆಲಿಂಗ್
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಧ್ವನಿ ಧ್ವನಿ, ಸಿಂತಿಸ್‌ ಹಾಡುವುದು, ಒಳಕೈ ರಚಕನಿಗೆ ವ್ಯವಸ್ಥಿತ ಧ್ವನಿ ವ್ಯವಸ್ಥ್ಯಾ
ಪ್ರಯತ್ನಿಸಿ GPT-SoVITS

OrpheusOrpheus

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.

ವಿಕಾಸಕ::
Canopy Labs
ಪರವಾನಗಿ::
Llama 3.2 Community
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಮಾನವ - ಮಟ್ಟದ ಭಾವ ೧೦K ಗಂಟೆಗಳ ತರಬೇತಿ ನೈಸರ್ಗಿಕ ಉತ್ಪಾದನೆ ಭಾವಪ್ರಚೋದಕ ಮಾತುಗಳು
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಗಾಢವಾದ ಭಾವಾತ್ಮಕ ಮಾತು, ಧ್ವನಿ ಹಾಗು ಧ್ವನಿ ಕೆಲಸName
ಪ್ರಯತ್ನಿಸಿ Orpheus

ChatterboxChatterbox

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.

ವಿಕಾಸಕ::
Resemble AI
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
ಶೂನ್ಯ- ಕಾಲುವೆ (zone- shoose) ಗೊಳಿಕೆ ಏಕವಣಾ ನಿಯಂತ್ರಣ ಉಚ್ಚ ನಂಬಿಗಸ್ತಿಕೆ ಶೈಲಿ ವರ್ಗಾವಣೆ ಒಂಟಿ ಮಾದರಿ ಗ್ರಾಹಕ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಪರಿಣತ ಧ್ವನಿ ಕಲಿಕೆಯಲ್ಲಿ ಭಾವಾತ್ಮಕ ನಿಯಂತ್ರಣ, ಲೋಪವುಳ್ಳ ಸೃಷ್ಟಿಯಲ್ಲಿ
ಪ್ರಯತ್ನಿಸಿ Chatterbox

Tortoise TTSTortoise 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.

ವಿಕಾಸಕ::
James Betker
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Slow
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
8GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
ಗರಿಷ್ಟ ಗುಣ ಬಹು- ಧ್ವನಿವಧ೯ಕ DALL- EE ಕಟ್ಟಡ ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ ತಾನಾಗಿಯೆ ಮರುಕಳಿಸುವಿಕೆ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಶ್ರವ್ಯಾಂಶ (ಆಡಿಯೋ ಪುಸ್ತಕ), ಸಮನಾದ (ಆಡಿಯೋ), ಗುಣ - ಮೊದಲ ಅನ್ವಯಗಳುName
ಪ್ರಯತ್ನಿಸಿ Tortoise TTS

StyleTTS 2StyleTTS 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.

ವಿಕಾಸಕ::
Columbia University
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
ಮಾನವ ಮಟ್ಟ ವೈಖರಿ ವಿಭಜನೆಯು (ಫಾಲ್ಟ್) Comment ಸಾಂಸ್ಕೃತಿಕ ತರಬೇತಿಯು ನೈಸರ್ಗಿಕ ವೈವಿಧ್ಯತೆ ಉಚ್ಚ ನಂಬಿಗಸ್ತಿಕೆ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಸ್ಯೂಡಿಯೊ- ಏಕ- ಧ್ವನಿವಧ೯ಕ ಸಿಂಟೈಸಿಸ್, ಪ್ರೊಫೆಸರ ಕಲಾವಣೆ
ಪ್ರಯತ್ನಿಸಿ StyleTTS 2

OpenVoiceOpenVoice

Premium

MShell' ನಿಂದ ಓಪನ್ ವೀಟಿ ವೀಕ್ಷಣೆಯನ್ನು, ಸ್ವರ ನಿಯಂತ್ರಣ, ಭಾವಾಭಿನಯ, ಅನುಕ್ರಮ, ಅನುಕ್ರಮ, ಅನುಕ್ರಮ, ಅನುಕ್ರಮ, ಅನುಕ್ರಮ, 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.

ವಿಕಾಸಕ::
MyShell.ai / MIT
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, ja, ko, fr, de, es, it
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
ತಕ್ಷಣದ ಕ್ಯೂನಿಫಾರಂ ಧ್ವನಿ ಪರಿವರ್ತನೆ ಏಕವಣಾ ನಿಯಂತ್ರಣ ಸಹಭಾಗಿ (ಇಂಟರ್ಫೇಸ್) ನಿಯಂತ್ರಣ ಬಹುಮಾಧ್ಯಮ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಶ್ಲಾಘಕ-ಹೊಂದಿದ ವರ್ಚುವಲ್ ಶೈಲಿ ನಿಯಂತ್ರಣ, ಧ್ವನಿ ಪರಿವರ್ತಕ
ಪ್ರಯತ್ನಿಸಿ OpenVoice

Qwen3 TTSQwen3 TTS

Standard

QWn3-TTS ಒಂದು 0.7 ಕೋಟಿ ಅಕ್ಷರಮಾಲೆಯ ಮಾದರಿ ಅಲಿಬಾಬಾ ತಂಡದಿಂದ. ಇದು ಮೂರು ಕ್ರಮಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ: ಭಾವಾಭಿನಾರದಿಂದ ಧ್ವನಿಯನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ (9 ಭಾಷಣಕರ್ತರು), ಕೇವಲ ೩ ಸೆಕೆಂಡುಗಳ ಸೆಕೆಂಡುಗಳಿಂದ ಸ್ವರರಚನೆ (ಆಡಿಯೋ), ಮತ್ತು ನೀವು ಸ್ವಾಭಾವಿಕ ಭಾಷೆಯಲ್ಲಿ ವಿವರಿಸುವ ಧ್ವನಿ ಕ್ರಮ. ಇದು ಎತ್ತರವಾದ 10 ಭಾಷೆಗಳನ್ನು ಆವರಿಸುತ್ತದೆ ಹಾಗು ಪ್ರಾಕೃತಿಕ ಪ್ರಕೃತ್ಯ ತಂತ್ರಾಂಶ ತಂತ್ರಾಂಶಗಳಿಂದ ಆವರಿಸುತ್ತದೆ.

ವಿಕಾಸಕ::
Alibaba (Qwen)
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, ja, ko, de, fr, ru, pt, es, it
ವೈರಾಮ್‌:
7GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ 9 ಮೊದಲಾದ ಧ್ವನಿಗಳು ಪಠ್ಯದಿಂದ ಧ್ವನಿ ವಿನ್ಯಾಸName ಏಕವಣಾ ನಿಯಂತ್ರಣ 10 ಭಾಷೆಗಳಲ್ಲಿ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಗ್ರಾಹಕೀಯ ಧ್ವನಿ ವಿನ್ಯಾಸ ಅಥವಾ ಗ್ರಾಹಕೀಯ ಧ್ವನಿ ರಚನೆಯಿಂದ ಬಹುತೇಕವಾದ ಒಳಪಿಡಿName
ಪ್ರಯತ್ನಿಸಿ Qwen3 TTS

Sesame CSMSesame 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.

ವಿಕಾಸಕ::
Sesame
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Slow
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
8GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
ಸಂಭಾಷಣೆ ನೈಸರ್ಗಿಕ ಸಮಯ ಮೀರುವಿಕೆ ಹೊರನಡೆ ಹಿಂದಕ್ಕೆ channel ೧ಬಿಅಷ್ಟಕಗಳು
ಇದಕ್ಕೆ ಉತ್ತಮ:: AI ಸಹಾಯಕಗಳು, ಚ್ಯಾಟ್‌ಬಾಟ್‌ಗಳು, ಸಂಭಾಷಣೆ AI ಅನ್ವಯಗಳು
ಪ್ರಯತ್ನಿಸಿ Sesame CSM

Chatterbox TurboChatterbox 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 shared shared shared shifting sharging sharge

ವಿಕಾಸಕ::
Resemble AI
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
2GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಉಪ- ೨೦೦೦ ನಿಮಿಷಗಳ ಆರಂಭಿಕ ವರ್ಣಮಾಲೆಯ ಟ್ಯಾಗ್‌ಗಳು ೬x ನಿಜವಾದ ಸಮಯ ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ ನೀರಿನ ಸೂಚನಾ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ರಿಯಲ್‌ ಟೈಮ್ ಎಜರ್ಜೆಂಟ್, ನ್ಯಾವಿಗೇಶನ್ ಧ್ವನಿಗಳನ್ನಾಡುವಿಕೆName
ಪ್ರಯತ್ನಿಸಿ Chatterbox Turbo

ZonosZonos

Standard

Zyge ನಿಂದ zonos v1. Soft Parames ಒಂದು 1. translation ಕ್ರಮ. ಸಂತೋಷ, ಕೋಪ, ದುಃಖ, ಮತ್ತು ವಿಸ್ಮಯಕ್ಕಾಗಿ ಸ್ಲೈಡರ್ಗಳೊಂದಿಗೆ ಚಿತ್ರಗಳನ್ನು ತೋರಿಸುವ ಒಂದು 1. trash ನಿಯಂತ್ರಣ. ಇದು ಒಂದು ಪರಿವರ್ತಕ ಮತ್ತು ಒಂದು SSM (ಮೌಂಟ್- ಸ್ಥಳ) ನ ವರ್ಗವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಇದು ೨೦-K+ (ಮೌತು- ಸ್ಥಳ) ಗಂಟೆಗಳಲ್ಲಿ ೨೦- ೨೦೦- ೧೦ ಸೆಂ. ೨೦ ಸೆಕೆಂಡುಗಳಿಂದ ೨೦ ಸೆಕೆಂಡಿನಷ್ಟು ಉದ್ದದ ಧ್ವನಿಗರೆಯುವ ಧ್ವನಿಯೊಂದಿಗೆ ಪರಿವರ್ತನೆಯಾಗುತ್ತದೆ.

ವಿಕಾಸಕ::
Zyphra
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, ja, zh, fr, de
ವೈರಾಮ್‌:
6GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಏಕವಣಾ ನಿಯಂತ್ರಣ ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ ಎಸ್ ಎಸ್ಎಮ್ ಕಟ್ಟಡ (ರಚನಾಕಾರ) Name ಬಹುಮಾಧ್ಯಮ ಪಥ್ಯ/ ವಿಸ್ತರಣಾ ನಿಯಂತ್ರಣ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಭಾವೋದ್ರೇಕದೊಂದಿಗೆ, ಧ್ವನಿ ವಿನ್ಯಾಸದ ಸ್ಟೋಡಿಯೊದೊಂದಿಗೆ ಸ್ವರಾಭಿಮಾನದ ಧ್ವನಿ
ಪ್ರಯತ್ನಿಸಿ Zonos

Dia 2Dia 2

Standard

ನ್ಯಾರೀ ಲಾಬ್ಸ್ ನಿಂದ Dia ಲ್ಯಾಬ್ಸ್ ಮೊದಲ ಬಾರಿಗೆ ಹರಿಯುವ ಅಪ್‌ಡೇಟ್ ಆಗಿದೆ. ಇದು ೧B ಹಾಗು 2B ವ್ಯಾಪ್ತಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಮೊದಲ ಕೆಲವು ಸೂಚಕಗಳಿಂದ ಆಡಿಯೊವನ್ನು ಸಂಸ್ಕರಿಸುವುದನ್ನು ಆರಂಭಿಸುತ್ತದೆ, ಇದು ನಿಜವಾದ ಸಮಯ ನಿವಾರಕಗಳು ಹಾಗು ವಾಕ್ಸಿಂಗ್ ಪ್ಲೇಸ್‌ಗಳಿಗೆ ಸೂಕ್ತವಾಗಿ ಮಾಡುತ್ತದೆ. ಬಹು- ದೂರವಾಣಿ ಸಂವಾದವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ [S2] [S2] ಮತ್ತು shargatics (carics) ನಂತಹ (capass).

ವಿಕಾಸಕ::
Nari Labs
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಪ್ರದಾನವನ್ನು ಸ್ಟ್ರೀಮಿಂಗ್ ಮಾಡಲಾಗುತ್ತಿದೆ ಬಹು- ಪ್ರಕ್ಷೇಪಕ ಕೆಳಮಟ್ಟದ (ಲೋಡನ್ಸಿ) Name ವರ್ಣಮಾಲೆಯ ಕ್ಯೂಸಿಕ್ ೨ ನಿಮಿಷಗಳ ಪ್ರದಾನವನ್ನು (ಔಟ್ ಪುಟ್) ವರೆಗೆ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ರಿಯಲ್- ಸಮಯ ನಿರೂಪಕ, ಸಂವಾದ ಉತ್ಪತ್ತಿ, ಸೂಚನಾ ಅನ್ವಯಗಳುName
ಪ್ರಯತ್ನಿಸಿ Dia 2

VoxCPMVoxCPM

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.

ವಿಕಾಸಕ::
OpenBMB
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
44,khz ಆಡಿಯೊ ಟೋಕನ್ಜರ್- ಫ್ರೀ ಕ್ರಾಸ್- ಏಕರೂಪವಾದ ಕ್ಯೂನಿಫಾರಂ ಸನ್ನಿವೇಶ- ಪರಿಚಯವಿರುವ LORA ಸುವರ್ಣಗೊಳಿಕೆ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಉತ್ತಮ ಪೂರಕವಾದ ಆಡಿಯೊ, ಆಡಿಯೊ ಪುಸ್ತಕಗಳು, ಧ್ವನಿಸಾಧನದೊಂದಿಗೆ ದೀರ್ಘವಾದ ಸವಲತ್ತುಗಳು
ಪ್ರಯತ್ನಿಸಿ VoxCPM

OuteTTSOuteTTS

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.

ವಿಕಾಸಕ::
OuteAI
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
2GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
ಉಚಿತ
CPU ಸುಪ್ರಸನ್ನತೆ ವೀಕ್ಷಕವು ಕಾರ್ಯನಿರ್ವಹಿಸಿದೆ ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ ಬಹು ಬ್ಯಾಕೆಂಡ್‌ಗಳು ಧ್ವನಿಕಾರ ಪ್ರೊಫೈಲ್‌ಗಳು
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಆದಾನ (ಇನ್ ಪುಟ್) ಆಬ್ಜೆಕ್ಟ್, ವೀಕ್ಷಕ- ಆಧಾರಿತ TTS, ಕೆಳಮಟ್ಟದ (ರೆಸೆನ್ಸರ್) ಪರಿಸರಗಳುName
ಪ್ರಯತ್ನಿಸಿ OuteTTS

TADATADA

Standard

TAA (TTTA- ACE- ಆಕರ್ಷಕ ಅನುರೂಪ ವ್ಯವಸ್ಥೆ) ಇದು ಸ್ಲಾಮ್ 3. 2 ನಲ್ಲಿರುವ ಒಂದು ಜೋಡಿ ಹೊಂದಿಕೆ ಕಟ್ಟಡವನ್ನು ತೆಗೆದು ಹಾಕುತ್ತದೆ. ಮತ್ತು ೧B (ನಿಗಡಿಷ್) ಗಳಲ್ಲಿ ಲಭ್ಯವಾಗುವ 3B (ನಿಗದಲಿಷ್) ಗಳಲ್ಲಿ, TADF ಗೆ ೨೦೦೦ ರ ವೇಗದಲ್ಲಿ, TATM- ೧೦೦ ರ ವರ್ಗಕ್ಕೆ ಸಮನಾದ DM- ಮುದ್ರಿ ಅಂಶಗಳ ಅನುಕ್ರಮಗಳನ್ನು ಹೊಂದಿದೆ. ಇದು ೭೦ ಸೆಕೆಂಡುಗಳ ಅನುಕ್ರಮಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ ಮತ್ತು Shift- ೨ ಸೆಕೆಂಡುಗಳ ಅನುಕ್ರಮಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಧ್ವನಿ ನಿರೂಪಿಸುತ್ತದೆ.

ವಿಕಾಸಕ::
Hume AI
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
5GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಜೀರೋ ವೈಖರಿ 5x ತ್ವರಿತಗತಿಯು 28M TTS ಭಾವಾತ್ಮಕ ಅಭಿವ್ಯಕ್ತಿ 700 ಆಡಿಯೋ ಸನ್ನಿವೇಶ ಜೇಡಿಮಣ್ಣಿನ ಹೊಂದಿಕೆ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಹೈಸ್ಪೀಡೀಯ ಹಾಲಿಂಗ್ ಇನ್‌ಫ್ಲುಯೆಂಜೆನ್ ಭಾಷಣ, ಭಾವಾತ್ಮಕ ಪದ, ವೇಗ, ಚುರುಕು
ಪ್ರಯತ್ನಿಸಿ TADA

VibeVoiceVibeVoice

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.

ವಿಕಾಸಕ::
Microsoft
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
ಬಹು- ಪ್ರಕ್ಷೇಪಕ ಪ್ರತಿ 90 ನಿಮಿಷ ಪೋಡಿಟ್ ಉತ್ಪತ್ತಿ ಧ್ವನಿವರ್ಧಕ (ಸರ್ವರ್) NAME OF TRANSLATORS 200mms ಪ್ರವತ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಚುಕ್ಕಿಗಳು, ಆಡಿಯೊ ಪುಸ್ತಕಗಳು, ಬಹು-ಸಂಪಾದಕ- ಧ್ವನಿವಧ೯ಕ
ಪ್ರಯತ್ನಿಸಿ VibeVoice

Pocket TTSPocket 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.

ವಿಕಾಸಕ::
Kyutai
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, fr
ವೈರಾಮ್‌:
1GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
ಉಚಿತ
೧೦೦M ಪ್ರಮಿತಿಗಳು CPU ಸುಪ್ರಸನ್ನತೆ ಧ್ವನಿ ಕ್ಯೂನಿಫಾರಂ ಏಕ-ಸಂಪಾದಕ ಅಂಚು- ಸಿದ್ಧ
ಇದಕ್ಕೆ ಉತ್ತಮ:: ಕ್ಷಿಪ್ರಗತಿಯ ಹೊರವಿನ್ಯಾಸ, CPU- ಮಾತ್ರ ಪರಿಸರ, ಕ್ಷಿಪ್ರಗತಿಯ ವ್ಯವಸ್ಥ್ಯಾ
ಪ್ರಯತ್ನಿಸಿ Pocket TTS

Kitten TTSKitten 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.

ವಿಕಾಸಕ::
KittenML
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ವೈರಾಮ್‌:
0GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
ಉಚಿತ
CPU-only inference Under 80MB model size 8 built-in voices Speed control ONNX-based 24kHz output
ಇದಕ್ಕೆ ಉತ್ತಮ:: Fast lightweight TTS, edge deployment, low-latency applications
ಪ್ರಯತ್ನಿಸಿ Kitten TTS

CosyVoice3CosyVoice3

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.

ವಿಕಾಸಕ::
Alibaba (FunAudioLLM)
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, ja, ko, de, es, fr, it, ru
ವೈರಾಮ್‌:
4GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
2x
Bi-streaming Emotion control Voice cloning Speed/volume control Instruction following
ಇದಕ್ಕೆ ಉತ್ತಮ:: Multilingual production TTS, real-time applications, voice cloning
ಪ್ರಯತ್ನಿಸಿ CosyVoice3

MOSS-TTSMOSS-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.

ವಿಕಾಸಕ::
OpenMOSS
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
ವೈರಾಮ್‌:
16GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
Ultra-long generation 20 languages Voice cloning Duration control Pronunciation control Code-switching
ಇದಕ್ಕೆ ಉತ್ತಮ:: Audiobooks, long-form content, multilingual production
ಪ್ರಯತ್ನಿಸಿ MOSS-TTS

MegaTTS3MegaTTS3

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.

ವಿಕಾಸಕ::
ByteDance
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Slow
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ವೈರಾಮ್‌:
8GB
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
Voice cloning Adjustable similarity Cross-lingual
ಇದಕ್ಕೆ ಉತ್ತಮ:: High-fidelity voice cloning
ಪ್ರಯತ್ನಿಸಿ MegaTTS3

KokoroKokoro

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.

ವಿಕಾಸಕ::
Hexgrad
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು: en, ja, zh, ko, fr, de, it, pt, es, hi, ru
ಇದಕ್ಕೆ ಉತ್ತಮ:: High-quality TTS with minimal latency, streaming applications
ಮುಕ್ತಪ್ರಯತ್ನಿಸಿ

PiperPiper

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.

ವಿಕಾಸಕ::
Rhasspy
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು: 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
ಇದಕ್ಕೆ ಉತ್ತಮ:: Quick previews, accessibility, and embedded applications
ಮುಕ್ತಪ್ರಯತ್ನಿಸಿ

VITSVITS

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.

ವಿಕಾಸಕ::
Jaehyeon Kim et al.
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು: en, zh, ja, ko
ಇದಕ್ಕೆ ಉತ್ತಮ:: General-purpose text-to-speech with natural prosody
ಮುಕ್ತಪ್ರಯತ್ನಿಸಿ

MeloTTSMeloTTS

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.

ವಿಕಾಸಕ::
MyShell.ai
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು: en, es, fr, zh, ja, ko
ಇದಕ್ಕೆ ಉತ್ತಮ:: Production applications needing fast, multilingual TTS
ಮುಕ್ತಪ್ರಯತ್ನಿಸಿ

OuteTTSOuteTTS

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.

ವಿಕಾಸಕ::
OuteAI
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು: en
ಇದಕ್ಕೆ ಉತ್ತಮ:: Edge deployment, browser-based TTS, low-resource environments
ಮುಕ್ತಪ್ರಯತ್ನಿಸಿ

Pocket TTSPocket 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.

ವಿಕಾಸಕ::
Kyutai
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು: en, fr
ಇದಕ್ಕೆ ಉತ್ತಮ:: Lightweight deployment, CPU-only environments, quick voice cloning
ಮುಕ್ತಪ್ರಯತ್ನಿಸಿ

Kitten TTSKitten 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.

ವಿಕಾಸಕ::
KittenML
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು: en
ಇದಕ್ಕೆ ಉತ್ತಮ:: Fast lightweight TTS, edge deployment, low-latency applications
ಮುಕ್ತಪ್ರಯತ್ನಿಸಿ

BarkBark

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.

ವಿಕಾಸಕ::
Suno
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Slow
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
Sound effectsLaughing/sighingMusic generation100+ speakersMultilingual
ಇದಕ್ಕೆ ಉತ್ತಮ:: Creative audio content, audiobooks with emotion, sound effects
ಪ್ರಯತ್ನಿಸಿ Bark

Bark SmallBark 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.

ವಿಕಾಸಕ::
Suno
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
LightweightFaster than full BarkEmotional speechMultilingual
ಇದಕ್ಕೆ ಉತ್ತಮ:: Quick creative audio when full Bark is too slow
ಪ್ರಯತ್ನಿಸಿ Bark Small

CosyVoice 2CosyVoice 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.

ವಿಕಾಸಕ::
Alibaba (Tongyi Lab)
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, ja, ko, fr, de, it, es
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
StreamingZero-shot cloningCross-lingualEmotion controlHuman-parity
ಇದಕ್ಕೆ ಉತ್ತಮ:: Real-time applications, streaming TTS, voice assistants
ಪ್ರಯತ್ನಿಸಿ CosyVoice 2

Dia TTSDia 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.

ವಿಕಾಸಕ::
Nari Labs
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
Multi-speakerDialog generationNatural turn-takingEmotional expression1.6B parameters
ಇದಕ್ಕೆ ಉತ್ತಮ:: Podcasts, audiobook dialogues, conversational content
ಪ್ರಯತ್ನಿಸಿ Dia TTS

Parler TTSParler 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.

ವಿಕಾಸಕ::
Hugging Face
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
Voice descriptionNatural language controlFlexible voice creationNo preset voices needed
ಇದಕ್ಕೆ ಉತ್ತಮ:: Creative applications where you need custom voice characteristics
ಪ್ರಯತ್ನಿಸಿ Parler TTS

GLM-TTSGLM-TTS

ಶಿಷ್ಟ

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.

ವಿಕಾಸಕ::
Zhipu AI
ಪರವಾನಗಿ::
GLM-4 License
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
Lowest error rateVoice cloningFlow matchingNatural prosody
ಇದಕ್ಕೆ ಉತ್ತಮ:: Applications requiring maximum pronunciation accuracy
ಪ್ರಯತ್ನಿಸಿ GLM-TTS

IndexTTS-2IndexTTS-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.

ವಿಕಾಸಕ::
Index Team
ಪರವಾನಗಿ::
Bilibili Model License
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
Emotion controlZero-shotEmotion vectorsExpressive speechFine-grained control
ಇದಕ್ಕೆ ಉತ್ತಮ:: Emotionally expressive content, audiobooks, virtual assistants
ಪ್ರಯತ್ನಿಸಿ IndexTTS-2

Spark TTSSpark 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.

ವಿಕಾಸಕ::
SparkAudio
ಪರವಾನಗಿ::
CC BY-NC-SA 4.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
Voice cloningEmotion controlStyle controlPrompt-based5-second cloning
ಇದಕ್ಕೆ ಉತ್ತಮ:: Content creation with cloned voices and emotional control
ಪ್ರಯತ್ನಿಸಿ Spark TTS

GPT-SoVITSGPT-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.

ವಿಕಾಸಕ::
RVC-Boss
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Slow
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, ja, ko
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
5-second cloningSinging voiceFew-shot learningHigh fidelityCross-lingual
ಇದಕ್ಕೆ ಉತ್ತಮ:: Voice cloning, singing synthesis, content creator voice replication
ಪ್ರಯತ್ನಿಸಿ GPT-SoVITS

OrpheusOrpheus

ಶಿಷ್ಟ

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.

ವಿಕಾಸಕ::
Canopy Labs
ಪರವಾನಗಿ::
Llama 3.2 Community
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
Human-level emotion100K hours trainingNatural emphasisExpressive speech
ಇದಕ್ಕೆ ಉತ್ತಮ:: High-quality emotional speech, audiobooks, voice acting
ಪ್ರಯತ್ನಿಸಿ Orpheus

Qwen3 TTSQwen3 TTS

ಶಿಷ್ಟ

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.

ವಿಕಾಸಕ::
Alibaba (Qwen)
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, ja, ko, de, fr, ru, pt, es, it
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
Voice cloning9 preset voicesVoice design from textEmotion control10 languages
ಇದಕ್ಕೆ ಉತ್ತಮ:: Multilingual content with voice cloning or custom voice design
ಪ್ರಯತ್ನಿಸಿ Qwen3 TTS

Chatterbox TurboChatterbox 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.

ವಿಕಾಸಕ::
Resemble AI
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
Sub-200ms latencyParalinguistic tags6x real-timeVoice cloningWatermarking
ಇದಕ್ಕೆ ಉತ್ತಮ:: Real-time voice agents, expressive speech with natural sounds
ಪ್ರಯತ್ನಿಸಿ Chatterbox Turbo

ZonosZonos

ಶಿಷ್ಟ

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.

ವಿಕಾಸಕ::
Zyphra
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, ja, zh, fr, de
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
Emotion controlVoice cloningSSM architectureMultilingualPitch/rate control
ಇದಕ್ಕೆ ಉತ್ತಮ:: Expressive speech with emotion control, voice design studio
ಪ್ರಯತ್ನಿಸಿ Zonos

Dia 2Dia 2

ಶಿಷ್ಟ

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).

ವಿಕಾಸಕ::
Nari Labs
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
Streaming outputMulti-speakerLow latencyParalinguistic cuesUp to 2 min output
ಇದಕ್ಕೆ ಉತ್ತಮ:: Real-time voice agents, dialogue generation, streaming applications
ಪ್ರಯತ್ನಿಸಿ Dia 2

VoxCPMVoxCPM

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.

ವಿಕಾಸಕ::
OpenBMB
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
44.1kHz audioTokenizer-freeCross-lingual cloningContext-awareLoRA fine-tuning
ಇದಕ್ಕೆ ಉತ್ತಮ:: High-fidelity audio, audiobooks, long-form content with voice consistency
ಪ್ರಯತ್ನಿಸಿ VoxCPM

TADATADA

ಶಿಷ್ಟ

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.

ವಿಕಾಸಕ::
Hume AI
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
Zero hallucinations5x faster than LLM TTSEmotional expression700s audio contextDual alignment
ಇದಕ್ಕೆ ಉತ್ತಮ:: High-quality hallucination-free speech, emotional expression, fast inference
ಪ್ರಯತ್ನಿಸಿ TADA

VibeVoiceVibeVoice

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.

ವಿಕಾಸಕ::
Microsoft
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
Multi-speakerLong-form (90 min)Podcast generationDialogueLow latency
ಇದಕ್ಕೆ ಉತ್ತಮ:: Podcasts, dialogues, long-form narration, multi-speaker content
ಪ್ರಯತ್ನಿಸಿ VibeVoice

CosyVoice3CosyVoice3

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.

ವಿಕಾಸಕ::
Alibaba (FunAudioLLM)
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Fast
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, ja, ko, de, es, fr, it, ru
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
Bi-streamingEmotion controlVoice cloningSpeed/volume controlInstruction following
ಇದಕ್ಕೆ ಉತ್ತಮ:: Multilingual production TTS, real-time applications, voice cloning
ಪ್ರಯತ್ನಿಸಿ CosyVoice3

ChatterboxChatterbox

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.

ವಿಕಾಸಕ::
Resemble AI
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
ವೈರಾಮ್‌:
4GB
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
Zero-shot cloningEmotion controlHigh fidelityStyle transferSingle sample cloning
ಇದಕ್ಕೆ ಉತ್ತಮ:: Professional voice cloning with emotional control, content creation
ಪ್ರಯತ್ನಿಸಿ Chatterbox

Tortoise TTSTortoise 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.

ವಿಕಾಸಕ::
James Betker
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Slow
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
ವೈರಾಮ್‌:
8GB
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
Highest qualityMulti-voiceDALL-E architectureVoice cloningAutoregressive
ಇದಕ್ಕೆ ಉತ್ತಮ:: Audiobooks, premium content, quality-first applications
ಪ್ರಯತ್ನಿಸಿ Tortoise TTS

StyleTTS 2StyleTTS 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.

ವಿಕಾಸಕ::
Columbia University
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
ವೈರಾಮ್‌:
4GB
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
Human-levelStyle diffusionAdversarial trainingNatural variationHigh fidelity
ಇದಕ್ಕೆ ಉತ್ತಮ:: Studio-quality single-speaker synthesis, professional narration
ಪ್ರಯತ್ನಿಸಿ StyleTTS 2

OpenVoiceOpenVoice

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.

ವಿಕಾಸಕ::
MyShell.ai / MIT
ಪರವಾನಗಿ::
MIT
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, ja, ko, fr, de, es, it
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
ವೈರಾಮ್‌:
4GB
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
Instant cloningVoice conversionEmotion controlAccent controlMultilingual
ಇದಕ್ಕೆ ಉತ್ತಮ:: Voice cloning with fine-grained style control, voice conversion
ಪ್ರಯತ್ನಿಸಿ OpenVoice

Sesame CSMSesame 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.

ವಿಕಾಸಕ::
Sesame
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Slow
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಇಲ್ಲ
ವೈರಾಮ್‌:
8GB
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
ConversationalNatural timingTurn-takingBackchannel1B parameters
ಇದಕ್ಕೆ ಉತ್ತಮ:: AI assistants, chatbots, conversational AI applications
ಪ್ರಯತ್ನಿಸಿ Sesame CSM

MOSS-TTSMOSS-TTS

ಪ್ರೀಮಿಯಾಮ್

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.

ವಿಕಾಸಕ::
OpenMOSS
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Medium
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
ವೈರಾಮ್‌:
16GB
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
Ultra-long generation20 languagesVoice cloningDuration controlPronunciation controlCode-switching
ಇದಕ್ಕೆ ಉತ್ತಮ:: Audiobooks, long-form content, multilingual production
ಪ್ರಯತ್ನಿಸಿ MOSS-TTS

MegaTTS3MegaTTS3

ಪ್ರೀಮಿಯಾಮ್

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.

ವಿಕಾಸಕ::
ByteDance
ಪರವಾನಗಿ::
Apache 2.0
ವೇಗ:
Slow
ಗುಣಮಟ್ಟ::
ಭಾಷೆಗಳು:
en, zh
ಧ್ವನಿ ಕೆರಳುವಿಕೆ:
ಹೌದು
ವೈರಾಮ್‌:
8GB
೧K ಅಕ್ಷರಗಳ ಬೆಲೆ:
4x
Voice cloningAdjustable similarityCross-lingual
ಇದಕ್ಕೆ ಉತ್ತಮ:: High-fidelity voice cloning
ಪ್ರಯತ್ನಿಸಿ MegaTTS3

ಮಾದರಿ ಹೋಲಿಕೆ ಟೇಬಲ್

ಮಾದರಿ ವಿಕಾಸಕ: ಟೈಅರ್ ಗುಣಮಟ್ಟ: ವೇಗ ಭಾಷೆಗಳು ಧ್ವನಿ ಕೆರಳುವಿಕೆ ವೈರಾಮ್‌ ಪರವಾನಗಿ: ಆದ್ಯತೆಗಳು
Kokoro Hexgrad Free Fast 11 1.5GB Apache 2.0 ಉಚಿತ ಬಳಸು
Piper Rhasspy Free Fast 31 0 (CPU only) MIT ಉಚಿತ ಬಳಸು
VITS Jaehyeon Kim et al. Free Fast 4 1GB MIT ಉಚಿತ ಬಳಸು
MeloTTS MyShell.ai Free Fast 6 0.5GB (GPU optional) MIT ಉಚಿತ ಬಳಸು
Bark Suno Standard Slow 13 5GB MIT 2 ಬಳಸು
Bark Small Suno Standard Medium 13 2GB MIT 2 ಬಳಸು
CosyVoice 2 Alibaba (Tongyi Lab) Standard Medium 8 4GB Apache 2.0 2 ಬಳಸು
Dia TTS Nari Labs Standard Medium 1 4GB Apache 2.0 2 ಬಳಸು
Parler TTS Hugging Face Standard Medium 1 4GB Apache 2.0 2 ಬಳಸು
GLM-TTS Zhipu AI Standard Medium 2 4GB GLM-4 License 2 ಬಳಸು
IndexTTS-2 Index Team Standard Medium 2 4GB Bilibili Model License 2 ಬಳಸು
Spark TTS SparkAudio Standard Medium 2 4GB CC BY-NC-SA 4.0 2 ಬಳಸು
GPT-SoVITS RVC-Boss Standard Slow 4 6GB MIT 2 ಬಳಸು
Orpheus Canopy Labs Standard Medium 1 4GB Llama 3.2 Community 2 ಬಳಸು
Chatterbox Resemble AI Premium Medium 1 4GB MIT 4 ಬಳಸು
Tortoise TTS James Betker Premium Slow 1 8GB Apache 2.0 4 ಬಳಸು
StyleTTS 2 Columbia University Premium Medium 1 4GB MIT 4 ಬಳಸು
OpenVoice MyShell.ai / MIT Premium Medium 8 4GB MIT 4 ಬಳಸು
Qwen3 TTS Alibaba (Qwen) Standard Medium 10 7GB Apache 2.0 2 ಬಳಸು
Sesame CSM Sesame Premium Slow 1 8GB Apache 2.0 4 ಬಳಸು
Chatterbox Turbo Resemble AI Standard Fast 1 2GB MIT 2 ಬಳಸು
Zonos Zyphra Standard Medium 5 6GB Apache 2.0 2 ಬಳಸು
Dia 2 Nari Labs Standard Fast 1 4GB Apache 2.0 2 ಬಳಸು
VoxCPM OpenBMB Standard Fast 2 4GB Apache 2.0 2 ಬಳಸು
OuteTTS OuteAI Free Fast 1 2GB Apache 2.0 ಉಚಿತ ಬಳಸು
TADA Hume AI Standard Fast 1 5GB MIT 2 ಬಳಸು
VibeVoice Microsoft Standard Fast 2 4GB MIT 2 ಬಳಸು
Pocket TTS Kyutai Free Fast 2 1GB MIT ಉಚಿತ ಬಳಸು
Kitten TTS KittenML Free Fast 1 0GB Apache 2.0 ಉಚಿತ ಬಳಸು
CosyVoice3 Alibaba (FunAudioLLM) Standard Fast 9 4GB Apache 2.0 2 ಬಳಸು
MOSS-TTS OpenMOSS Premium Medium 19 16GB Apache 2.0 4 ಬಳಸು
MegaTTS3 ByteDance Premium Slow 2 8GB Apache 2.0 4 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, ಫ್ರೆಂಚ್, 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 ಮರುಹೊಂದಿಸಿ. ಎಲ್ಲಾ 20+ ಮಾದರಿಗಳಿಗೆ ಒಂದು ಕೊನೆಯ ಅಂಶ. ಪೈಥಾನ್, CLR, ಹಾಗು GCL. SDKs ನಿಜ ಸಮಯ ಅನ್ವಯಗಳಿಗೆ ಬೆಂಬಲವನ್ನು ನೀಡುವುದು. ದೊಡ್ಡ- ವಿಸ್ತರಣ ಪೀಳಿಗೆಗಾಗಿ ಕುಂಠವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು. ಒಂದು ಅನುಕ್ರಮಿತ ವರದಿಗಳಿಗಾಗಿ ಜಾಲದ ಕೊಂಡಿಗಳು ಲಭ್ಯ. ಪ್ರೋಗ್ರಾಮ್ ಪ್ರೊಗ್ರಾಂ ಹಾಗು ಪ್ರೊಗ್ರಾಂ ಪ್ರೊಗ್ರಾಂನಲ್ಲಿ ಲಭ್ಯವಿರುವವು.

ಅನೇಕವೇಳೆ ಪ್ರಶ್ನೆಗಳು

ಮಾತಾಡಲು ಪಠ್ಯ (TTS) ಒಂದು II ತಂತ್ರಜ್ಞಾನ. ಇದು ಪಠ್ಯವನ್ನು ಪ್ರಾಕೃತಿಕ ಧ್ವನಿ ಧ್ವನಿ ಧ್ವನಿ ಧ್ವನಿ ಧ್ವನಿ ಕಾರ್ಯಕ್ರಮವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಕೊಕೋರೋ, ಚಾಟರ್‌ಬಾಕ್ಸ್ ಮತ್ತು ಕೋಸಿಸ್ 2 ನಂತಹ ಆಧುನಿಕ ಟೆಲಿವಿಷನ್ ಮೆದುಳು ವಿದ್ಯುತ್‌ ವಿದ್ಯಾಭ್ಯಾಸವನ್ನು ಬಳಸಿ ಗಹನವಾಗಿ ಮಾತಾಡಲು ಕಲಿಯುತ್ತದೆ. ಅದು ಕ್ಷಿಪ್ರವಾಗಿ ಮಾನವರನ್ನು ಚುರುಕುತ್ತದೆ, ಸ್ವಾಭಾವ, ಭಾವನೆಗಳು ಮತ್ತು ತಾಳೆ ಮತ್ತು ತಾಳೆಗಳೊಂದಿಗೆ.

ಇದು ನಿಮ್ಮ ಅಗತ್ಯಗಳ ಮೇಲೆ ಹೊಂದಿಕೊಂಡಿದೆ. ಕ್ಷಿಪ್ರ ಮುನ್ನೋಟಕ್ಕಾಗಿ, ಪೈಪ್‌ ಅಥವ ಮೆಲೋಟೆಟ್ಸ್ (ನಿರ್ದೇಶಿತ, ಮುಕ್ತ) ಬಳಸಿ. ಹೆಚ್ಚಿನ ಗುಣಮಟ್ಟಕ್ಕಾಗಿ, ಕೊಕೋರೋ ಅಥವಾ CoSysVoice ೨ (ನಿರ್ದೇಶಿತ) ಅನ್ನು ಪ್ರಯತ್ನಿಸಿ. ಧ್ವನಿಪಟ್ಟಿ ಅಥವ GTTS ಅನ್ನು ಬಳಸಿ. ಸಂವಾದ ವಿಷಯಗಳನ್ನು ಹುಡುಕಲು, Dia/ PATTS ನ್ನು ಪ್ರಯತ್ನಿಸಿ. ಪ್ರತಿಯೊಂದು ನಮೂನೆಯೂ ವಿಭಿನ್ನ ಬಲಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ.

TTS.ai ಎಂದರೆ ಕೋಕೋರೋ, ಪಿಯರ್ಸ್, VITS ಮತ್ತು ಮೆಲೋಟ್ಸ್ ಮಾದರಿಗಳೊಂದಿಗೆ ಉಚಿತ ಪಠ್ಯವನ್ನು ನೀಡುತ್ತಾರೆ. ಒಂದು ತಾಸಿಗೆ 500 ಅಕ್ಷರಗಳಿಗೆ ಮತ್ತು 3 ತಲೆಮಾರುಗಳಿಗೆ ಖಾತೆ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ. ಒಂದು ಉಚಿತ ಖಾತೆಗಾಗಿ 15 ಹೆಸರುಗಳನ್ನು ಪಡೆಯಲಿಕ್ಕೆ ಹಾಗು ಎಲ್ಲಾ ಮಾದರಿಗಳನ್ನು ಪ್ರವೇಶಿಸಲು.

ಇಂಗ್ಲಿಷ್‌, ಸ್ಪ್ಯಾನಿಷ್‌, ಫ್ರೆಂಚ್‌, ಜರ್ಮನ್‌, ಪೋರ್ಚುಗೀಸ್‌, ಪೋರ್ಚುಗೀಸ್‌, ಚೀನೀ, ಚೀನೀ, ಕೊರಿಯನ್‌, ರಷ್ಯನ್‌, ಇಟ್ಯಾಲಿಯನ್‌, ಹಿನ್ನೀರಿ, ಮತ್ತು ಇನ್ನೂ ಅನೇಕ ಭಾಷೆಗಳನ್ನು ಒಟ್ಟಾಗಿ ಬೆಂಬಲಿಸುತ್ತೇವೆ.

ಹೌದು, TTS.ai ಮೂಲಕ ಉತ್ಪಾದಿಸಲಾದ ಆಡಿಯೊವನ್ನು ವಾಣಿಜ್ಯವಾಗಿ ಬಳಸಬಹುದು. ನಮ್ಮ ಎಲ್ಲಾ ಮಾದರಿಗಳು ತೆರೆದಿರುವ ಲೈಸನ್ಸ್ (MIT, BAT 2.0) ನ್ನು ಬಳಸುತ್ತವೆ. ವೈಯಕ್ತಿಕ ಮಾದರಿ ಲೈಸನ್ಸ್‌ಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ವಿವರಗಳಿಗಾಗಿ ಪರಿಶೀಲಿಸಿ. ನೀವು ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ ಮಾದರಿಗಾಗಿ ಬಳಸುವ ನಿರ್ದಿಷ್ಟ ಕ್ರಮದ ಲೈಸನ್ಸ್ ಅನ್ನು ಪುನರ್ವಿಮರ್ಶಿಸಲು ನಾವು ಶಿಫಾರಸ್ಸು ಮಾಡುತ್ತೇವೆ.

TTS.ai supports MP3, WAV, OGG, and FLAC output formats. MP3 is the default for web playback. WAV is recommended for further audio processing. You can convert between formats using our Audio Converter tool.

ಧ್ವನಿ ಶ್ರವ್ಯಾಂಶವು ಒಂದು ಸಣ್ಣ ಆಡಿಯೊ ನಮೂನೆ (5- 30 ಸೆಕೆಂಡುಗಳಿಂದ) ಒಂದು ನಿರ್ದಿಷ್ಟ ಧ್ವನಿಯನ್ನು ಮರುಪ್ರವೇಶಿಸಲು (II) ಬಳಸುತ್ತದೆ. ಗುರಿಯ ರೆಕಾರ್ಡಿಂಗ್, ಹಾಗು ಗಾಡಿಟರ್‌ಚೌಕ, GPT- SVIS, ಅಥವಾ ಓಪನ್‌ವಿಸ್ ಆ ಧ್ವನಿಯಲ್ಲಿ ಹೊಸ ಭಾಷೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಈ ಗುಣವು ಸ್ಲೀಕೇಡ್ ಗಾಡಿಯೊನೊಂದಿಗೆ ಉತ್ತಮಗೊಳ್ಳುತ್ತದೆ.

ಮನವಿಗೆ ನೋಂದಾಯಿಸಲು ಮುಕ್ತ ಬಳಕೆದಾರರು 500 ಅಕ್ಷರಗಳನ್ನು ರಚಿಸಬಹುದು. ನೋಂದಾಯಿಸಲಾದ ಬಳಕೆದಾರರು 5,000 ಅಕ್ಷರಗಳಿಗೆ ಏರಿಸಲ್ಪಡುತ್ತಾರೆ. ಹೆಚ್ಚು ಸಮಯದಿಂದ ಆ ಆಡಿಯೊವನ್ನು ತುಂಡುಗಳಲ್ಲಿ ತಯಾರಿಸಲಾಗಿದೆ ಹಾಗು ತಾನಾಗಿಯೆ ಕುಕ್ಕಲಾಗಿದೆ. aPI ಬಳಕೆದಾರರು ಒಂದು ಮನವಿಯಲ್ಲಿ 10,000 ಅಕ್ಷರಗಳನ್ನು ಸಂಸ್ಕರಿಸಬಹುದು.

SSML (ಭಾಷಾ ಸಂಖ್ಯಾ ಭಾಷೆ) ಮತ್ತು ಇತರ ಮಾದರಿಗಳು ಮಾದರಿ ಪ್ರಕಾರ ಭಿನ್ನಭಿನ್ನವಾಗಿರುತ್ತವೆ. Pyper ಮತ್ತು ಬೇರೆ ಮಾದರಿಗಳು, ವಿರಾಮ, ಒತ್ತುವಿಕೆ ಮತ್ತು ಉಚ್ಚಾರಣೆಯ ಮೇಲೆ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ಮೂಲಭೂತ ಎಸ್ಎಸ್‌ಎಮ್‌ಎಮ್‌ಎಲ್ ಟ್ಯಾಗ್‌ಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ. ಸ್ಥಳೀಯ SSML ಬೆಂಬಲವಿಲ್ಲದ ಮಾದರಿಗಳಿಗೆ, ಪ್ರೋಗ್ರಾಮ್‌ಗಳಿಗೆ, ಪ್ರೋಗ್ರಾಮ್‌ನ ಪ್ರಭಾವಕ್ಕೆ ನೀವು ನೈಸರ್ಗಿಕ ಮಾಲಿಪಕವನ್ನು ಹಾಗು ಸಾಲಿನ ವಿಭಜಕಗಳನ್ನು ಬಳಸಬಹುದು.

ಹೌದು, ಬಹು ಮಾದರಿಗಳು 0.0x ಇಂದ 2.0x ವರೆಗಿನ ವೇಗವನ್ನು ಸರಿಹೊಂದಿಸುವುದನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ. ಬಾರ್ಕ್ ಮತ್ತು ಪಾರ್ಲರಂತಹ ಕೆಲವು ಮಾದರಿಗಳು ಸಹ ಷೇರ್ ಹಾಗು ಶೈಲಿ ನಿಯಂತ್ರಣವನ್ನು ಸಹ ಅನುಮತಿಸುತ್ತವೆ. ಸುಧಾರಿತ ಸಂಯೋಜನೆಗಳ ಪಥದಲ್ಲಿ ಅಥವ API ವೇಗದ ವ್ಯಾಪ್ತಿಯ ಮೂಲಕ ವೇಗದ ಪ್ರಮಾಣಗಳನ್ನು ನಿಗದಿಗೊಳಿಸಬಹುದು.

ಹೌದು, ಸಂಯೋಜನೆಯು ನಮ್ಮ API ಮೂಲಕ ಲಭ್ಯವಿದೆ. ಒಂದೇ API ಕರೆಯು ಅಥವ ಸ್ಕ್ರಿಪ್ಟುಗಳಲ್ಲಿ ನೀವು ಬಹುತೇಕ ಪಠ್ಯಭಾಗಗಳನ್ನು ಅನುಸ್ಥಾಪಿಸಬಹುದು, ಮತ್ತು ಪ್ರತಿಯೊಂದನ್ನೂ ಪ್ರತ್ಯೇಕವಾದ ಆಡಿಯೋ ಕಡತಗಳಾಗಿ ಮರಳಿಸಲಾಗುವುದು. ಇದು ಆಡಿಯೊ ಪುಸ್ತಕಗಳು, ಇ- ಪ್ರೇಷಿಂಗ್ ಘಟಕಗಳು, ಅಥವ ಗೇಮ್ ಸಂವಾದ ಸ್ಕ್ರಿಪ್ಟುಗಳಿಗೆ ಸೂಕ್ತವಾಗಿದೆ.

ನಿಮ್ಮ ಖಾತೆಯ ಒಂದು API ಕೀಲಿಯನ್ನು ನಿರ್ಮಿಸಿ, ನಂತರ ನಮ್ಮ RAST API ಅಕೌಂಟ್‌ ಅನ್ನು ನಿಮ್ಮ ಪಠ್ಯ, ಮಾದರಿ, ಮತ್ತು ಧ್ವನಿ ಗಾತ್ರಗಳೊಂದಿಗೆ ಮನವಿಗಳನ್ನು ಕಳುಹಿಸು. ನಾವು ಪೈಥಾನ್, JavaScript ಮತ್ತು CLASS ನಲ್ಲಿ ಸಂಕೇತಗಳನ್ನು ಒದಗಿಸುತ್ತೇವೆ. API ಮುಕ್ತವಾಗಿದೆ, ಆದ್ದರಿಂದ ಇರುವ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
5.0/5 (2)

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.

ಮುಕ್ತವಾಗಿ ಮೇಲೆ ಗುರುತಿಸು ಪ್ರಸ್ತಾಪವನ್ನು ನೋಡಿ