نوسراو بۆ قسەکردن
نوسراوەکانت بگۆڕە بۆ قسەکردنێکی سروشتی بە بەکارهێنانی زیاتر لە ٢٤ مۆدێلی سەرچاوە کراوەی ئەی ئای. بەکارهێنانی ئازادە، هیچ حسابێک پێویست ناکات.
نوسراوەکەت بگۆڕە بۆ تگەکانی SSML بۆ کۆنتڕۆڵی ڕاستەقینە:
<speak><prosody rate="slow">Slow speech</prosody></speak>
نیشانەی هەستەکان زیاد بکە بۆ کاریگەری خستنەسەر پێشکەشکردن (پشتیوانی مۆدێلەکان جیاوازە):
پێناسەکردنی دەنگی خۆت (وشە = دەنگی):
زانیارییەکانی مۆدێل
Sesame CSM
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.
| پەرەپێدەر: | Sesame |
| مۆڵەتنامە: | Apache 2.0 |
| خێرایی | Slow |
| باڵا: | |
| زمانەکان | 1 زمان |
| بیرگەی ڤێریو | 8GB |
| دووبارە دروستکردنی دەنگی | پاڵپشتی ناکرێت |
ئامۆژگاری بۆ ئەنجامی باشتر
- بەکارھێنانی وشەکان بە شێوەیەکی دروست بۆ ڕاگرتنی سروشتی و دەنگی بەرز
- ژمارەکان و کورتکراوەکان بنووسە بۆ دەربڕینێکی ڕوونتر
- ڤێڵەکان زیاد بکە بۆ درووستکردنی ڕاگرتنی کورت لە نێوان وشە و دەستەواژەکاندا
- بەکاربهێنە (...) بۆ ڕاگرتنی درێژتر
- کۆکۆرۆ یان کۆسی ڤۆیس ٢ تاقی بکەەوە بۆ ئەنجامی سروشتی
- Dia بەکاربهێنە بۆ گفتوگۆ و بابەتەکانی پۆدکاست
نرخی قەرز
| ئەیلول | نرخ بۆ هەر 1k هێمایەک |
|---|---|
| ئازادە | ٠ کرێدیت (بێ سنوور) |
| ستاندارد | 2 کرێدیت / 1هەزار هێما |
| پڕۆمیۆم | 4 کرێدیت / 1ک هێما |
چۆنیەتی کارکردنی AI Text to Speech
لە سێ هەنگاوی سادەدا دەنگی پیشەیی دروست بکە. هیچ زانیاری تەکنیکی پێویست نییە.
ناونیشانی خۆت دابنێ
نوسراوەکە بنوسە، دابنێ یان دایبگرە کە دەتەوێت بیگۆڕیت بۆ قسەکردن. پشتگیری دەکات تاوەکو ٥٠٠٠ هێما بۆ هەر نەوەیەک بۆ بەکارهێنەرانی داخڵبوو. نوسراوێکی ئاسایی بەکاربهێنە یان تاگەکانی SSML زیاد بکە بۆ کۆنتڕۆڵی پێشکەوتوو لەسەر قسەکردن، مانەوە، و جەختکردنەوە.
دەنگ و مۆدێل هەڵبژێرە
لە 24+ مۆدێلی AI هەڵبژێرە لە سەر سێ پلە. دەنگێک هەڵبژێرە کە لەگەڵ ناوەڕۆکەکەت گونجاو بێت، زمانی ئامانجەکەت هەڵبژێرە، خێرایی یاریکردن لە 0.5x بۆ 2.0x ڕێکبخە، وە شێوازی دەرچوونی خۆت هەڵبژێرە (MP3, WAV, OGG, or FLAC).
دابەزاندن
کلیک بکە لەسەر دروستکردن و دەنگەکەت لە چەند چرکەیەکدا ئامادە دەبێت. پێشبینی بکە بە بەکارھێنەری ناوەوەی، دابەزێنە بە شێوازی هەڵبژێردراوەکەت، یان کۆپی لینکێکی هاوبەش بکە. بەکاربهێنە API بۆ پڕۆسێسکردنی بەکۆمەڵ و پێکەوە بەستنەوەی بە پرۆسەی کارەکەت.
بەکارھێنانی نوسراو بۆ قسەکردن
تەکنەلۆژیای نووسینەوە بۆ قسەکردن کە پشت بە ئەندازیاری زیرەک دەبەستێت، چۆنیەتی دروستکردنی خەڵک، بەکارهێنانیان و پەیوەندییان بە بابەتی دەنگییەوە لە چەندین پیشەسازیدا دەگۆڕێت.
هەموو نوسراوەکان بۆ نمونەی قسەکردن
تایبەتمەندییەکانی بە وردەکاری بۆ هەر مۆدێلێکی AI کە لە TTS.ai دا هەیە. بەراوردکردنی بایەخی، خێرایی، پشتگیری زمان، و تایبەتمەندییەکان بۆ دۆزینەوەی مۆدێلێکی تەواو بۆ پڕۆژەکەت.
Kokoro
Free
کۆکۆرۆ ٨٢ ملیۆن پارامەتری هەیە بۆ گۆڕینی نوسراو بۆ قسەکردن کە زۆر زیاترە لە کێشی خۆی. سەرەڕای قەبارەی بچوکەکەی، بە شێوەیەکی سەرنجڕاکێش قسەکردنێکی سروشتی و دەربڕین بەرهەم دەهێنێت. کۆکۆرۆ پشتگیری زمانە جۆراوجۆرەکان دەکات لەوانە ئینگلیزی، ژاپۆنی، چینی و کۆری لەگەڵ جۆراوجۆری دەنگی دەربڕین. زۆر بە خێرایی کاردەکات - دروستکردنی دەنگ نزیکەی ١٠٠ جار خێراتر لە کاتی ڕاستەقینە لەسەر GPU.
Hexgrad
Apache 2.0
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
1.5GB
نەخێر
ئازادە
Piper
Free
پیپێر (Piper) ئامرازێکی ئاسانی نووسین بۆ قسەکردنە کە لەلایەن (Rhasspy)ەوە گەشەپێدراوە کە بەکارهێنەرانی (VITS) و (larynx) بەکاردەهێنێت. بەتەواوەتی لەسەر سی پی یو کاردەکات، کە ئەمەش بۆ ئامێرەکانی سەرەوە، ئۆتۆماتیکی ماڵەوە، وە ئەپلیکەیشنەکان کە پێویستیان بە TTS هەیە. بە زیاتر لە 100 دەنگ لە 30 زماندا، پیپێر (Piper) قسەکردنێکی سروشتییە بە خێرایی کاتی ڕاستەقینە، تەنانەت لەسەر (Raspberry Pi 4)یش.
Rhasspy
MIT
Fast
en, de, fr, es, it, pt, nl, pl, ru, zh, ja, ko, ar, cs, da, fi, el, hu, is, ka, kk, ne, no, ro, sk, sr, sv, sw, tr, uk, vi
0 (CPU only)
نەخێر
ئازادە
VITS
Free
ڤی تی ئێس (باوەڕپێکردنی جیاوازی لەگەڵ فێربوونی دژایەتی بۆ کۆتایی-بۆ-کۆتایی نوسراو بۆ قسەکردن) ڕێگەیەکی هاوشێوەی کۆتایی-بۆ-کۆتایی TTS یە کە دەنگێکی سروشتی زیاتر بەرهەمدەهێنێت لە مۆدێلی ئێستای دوو قۆناغی. باوەڕپێکردنی جیاوازی بەکاردەهێنێت کە زیادکراوە بە هەڵکشانی ئاسایی و پرۆسەی فێرکردنی دژایەتی، بەدەستهێنانی باشتربوونی بەرچاو لە سروشتی.
Jaehyeon Kim et al.
MIT
Fast
en, zh, ja, ko
1GB
نەخێر
ئازادە
MeloTTS
Free
MeloTTS by MyShell.ai کتێبخانەی TTS ی زۆر زمانە کە پشتگیری زمانی ئینگلیزی دەکات (ئەمریکایی، بەریتانی، هیندی، ئوستراڵی)، ئیسپانی، فەڕەنسی، چینی، ژاپۆنی و کۆری. زۆر خێرایە، دەقەکان بە خێرایی کاتی ڕاستەقینە بە تەنها لەسەر سی پی یو پڕۆسێس دەکات. MeloTTS بۆ بەکارهێنانی بەرهەمهێنان دیزاین کراوە و پشتگیری هەم CPU و هەم GPU دەکات.
MyShell.ai
MIT
Fast
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
نەخێر
ئازادە
Bark
Standard
بەرک لە لایەن سونۆوە مۆدێلێکە لەسەر بنەمای گۆڕینی نوسراو بۆ دەنگ کە دەتوانێت قسەی زۆر ڕاستەقینە دروست بکات، چەند زمانە و هەروەها دەنگەکانی تر وەک مۆسیقا، دەنگی پشتەوەی، و کاریگەریەکانی دەنگ. دەتوانێت پەیوەندییە بێ وشەییەکان دروست بکات وەک پێکەنین، هەناسەدان، و گریان. بەرک پشتگیری لە زیاتر لە ١٠٠ پیشەسازی قسەکەر و ١٣ زمان دەکات.
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
نەخێر
2
Bark Small
Standard
باریکە بچوکەکە جۆرێکە لە مۆدێلی باریکە کە هەندێک لە تایبەتمەندییەکانی دەنگ دەگۆڕێت بۆ خێرایی خێراتر و پێداویستییە کەمەکانی بیرەوەری. توانای باریکە بۆ دروستکردنی قسە لەگەڵ هەستەکان، پێکەنین، و زمانە جۆراوجۆرەکان دەپارێزێت.
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
نەخێر
2
CosyVoice 2
Standard
کۆسی ڤۆیس ٢ لە لایەن تاقیگەی تونگی ئەلیباباوە بە شێوەیەکی زۆر کەم لە کاتی گواستنەوەدا، گوزارشتێکی گونجاوی مرۆڤی پێدەبەخشێت، کە ئەمەش بۆ بەکارهێنانەکانی کاتی ڕاستەقینە زۆر باشە. ڕێگایەکی کوانتەم بەکاردەهێنێت بۆ کۆکردنەوەی دەنگەکان و پشتگیری لە کۆکردنەوەی دەنگەکان دەکات، کۆکردنەوەی زمانە جیاوازەکان، کۆنتڕۆڵی هەستەکان دەکات. لە زۆرێک لە سیستەمە بازرگانیەکانی TTS زیاتر کاردەکات لە لێکۆڵینەوەکاندا.
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
4GB
بەڵێ
2
Dia TTS
Standard
دایا لە لایەن تاقیگەکانی ناریەوە مۆدێلێکی 1.6B پارامەتری نوسراو بۆ قسەکردنە کە تایبەتە بۆ دروستکردنی گفتوگۆیەکی زۆر قسەکەر. دەتوانێت گفتوگۆیەکی سروشتی دروست بکات لەنێوان دوو قسەکەردا بە وەرگرتنی خولەکێکی گونجاوی، واتا و دەربڕینێکی هەستیارە. دایا بۆ دروستکردنی ناوەڕۆکی جۆری پۆدکاست، گفتوگۆکانی کتێبی دەنگیی، و ئەی ئایی گفتوگۆیەکی پەیوەندیدار تەواوە.
Nari Labs
Apache 2.0
Medium
en
4GB
نەخێر
2
Parler TTS
Standard
Parler TTS مۆدێلێکی نوسراو بۆ قسەکردنە کە باسکردنی دەنگی زمانی سروشتی بەکاردەهێنێت بۆ کۆنترۆڵکردنی قسەی دروستکراو. لە جیاتی هەڵبژاردنی دەنگەکانی پێشتر، تۆ باسکردنی دەنگی خۆت دەکەیت (بۆ نمونە، "دەنگی ئافرەتێکی گەرم بە دەنگێکی کەمی ئینگلیزی، بە هێواشی و ئاشکرا قسەدەکات") وە Parler باسێکی دروستدەکات کە لەگەڵ ئەو باسکردنەدا گونجاو بێت. ئەمە وادەکات کە تایبەت بێت بۆ بەرنامەکانی داهێنان.
Hugging Face
Apache 2.0
Medium
en
4GB
نەخێر
2
IndexTTS-2
Standard
ئیندێکس تی تی ئێس-٢ سیستەمێکی پێشکەوتووی نووسین بۆ قسەکردنە کە لە کۆکردنەوەی دەنگدا سەرکەوتووە بە کۆنتڕۆڵی هەستی جوان. دەتوانێت قسە بکات بە دەنگێکی هەستی تایبەت وەک خۆشحاڵ، غەمگین، تووڕە، یان ترساوە بەبێ پێویستی بە زانیاری فێرکاری هەستی تایبەت. مۆدێلەکە هەستەکان بەکاردەهێنێت بۆ کۆنتڕۆڵی ڕاستەوخۆی دەربڕینی هەستی دروستکراوی قسەکردن.
Index Team
Apache 2.0
Medium
en, zh
4GB
بەڵێ
2
Spark TTS
Standard
سپارک تی تی ئێس لەلایەن سپارک ئۆدیۆیەوە مۆدێلێکی نووسین بۆ قسەکردنە کە دووبارە دروستکردنی دەنگی تێکەڵ دەکات لەگەڵ هەستی کۆنتڕۆڵکراو و شێوازی قسەکردن. بە بەکارهێنانی تەنها ٥ چرکە لە دەنگ، دەتوانێت دەنگی دووبارە دروست بکات و پاشان قسەکردن دروست بکات بە هەستی جیاواز، خێرایی و شێواز لەکاتێکدا ناسنامەی دەنگی دووبارە دروستکراو دەپارێزێت. سپارک تی تی ئێس سیستەمێکی کۆنتڕۆڵی لەسەر بنچینەی پرسیار بەکاردەهێنێت.
SparkAudio
Apache 2.0
Medium
en, zh
4GB
بەڵێ
2
GPT-SoVITS
Standard
GPT-SoVITS مۆدێلی زمانی GPT پێکدەهێنێت لەگەڵ SoVITS بۆ دووبارە دروستکردنی دەنگی زۆر بەهێز. بە تەنها ٥ چرکە بۆ گوێگرتن، دەتوانێت بە دروستی دەنگی دووبارە دروست بکات و قسەی نوێ دروست بکات لەکاتێکدا تایبەتمەندییەکانی قسەکەر بپارێزێت. لە هەردوو قسەکردن و دووبارە دروستکردنی دەنگی گۆرانیدا سەرکەوتووە.
RVC-Boss
MIT
Slow
en, zh, ja, ko
6GB
بەڵێ
2
Orpheus
Standard
ئۆرفیۆس مۆدێلێکی گەورە بۆ گۆڕینی نوسراو بۆ قسەکردنە کە دەربڕینی هەستی مرۆڤ بەدەستدەهێنێت. فێرکراوە لەسەر زیاتر لە 100,000 کاتژمێر زانیاری قسەکردن، لە دروستکردنی قسەکردندا سەرکەوتووە لەگەڵ هەستی سروشتی، جەختکردنەوە، و شێوازی قسەکردن. ئۆرفیۆس دەتوانێت قسەی دروست بکات کە لە راستیدا جیاوازی نییە لە تۆمارەکانی مرۆڤ.
Canopy Labs
Llama 3.2 Community
Medium
en
4GB
نەخێر
2
Chatterbox
Premium
چاتەربۆکس لە لایەن Resemble AI ەوە مۆدێلێکی پێشکەوتووی دووبارە دروستکردنی دەنگە. دەتوانێت هەر دەنگێک لە نمونەیەکی دەنگییەوە بە شێوەیەکی سەرنجڕاکێش دووبارە بکاتەوە، نەک تەنها دەنگەکە بگرێتە بەر بەڵکوو شێوازی قسەکردن و هەستەکانیش. چاتەربۆکس هەروەها تایبەتمەندی کۆنتڕۆڵی هەستەکانی هەیە، کە ڕێگەت پێدەدات ئاوازی هەستەکانی قسەی دروستکراو ڕێکبخەیت بەبێ گوێدانە ناسنامەی دەنگەکە.
Resemble AI
MIT
Medium
en
4GB
بەڵێ
4
Tortoise TTS
Premium
Tortoise TTS سیستەمێکە بۆ گواستنەوەی چەند دەنگێک لە نووسینەوە بۆ قسەکردن کە گرنگی بە بایەخی دەنگ دەدات لە خێراییدا. ئەم سیستەمە شێوازی DALL-E بەکاردەهێنێت بۆ دروستکردنی قسەکردنێکی زۆر سروشتی لەگەڵ دەنگی گونجاوی گونجاوی گونجاوی گونجاوی گونجاوی گونجاوی گونجاوی گونجاوی گونجاوی گونجاوی گونجاوی گونجاوی گونجاوی
James Betker
Apache 2.0
Slow
en
8GB
بەڵێ
4
StyleTTS 2
Premium
ستایلی تی تی ئێس ٢ بە بەکارهێنانی مۆدێلی زمانەوانی قسەکردن بە شێوەیەکی بەربڵاو فێربوونی زمانەوانی قسەکردن لە ئاستی مرۆڤدا بەدەست دەهێنێت. لە نێوان مۆدێلی قسەکەری تاکدا، زۆرترین قسەی سروشتی دروست دەکات، کە رقی تۆمارکردنی مرۆڤە. ستایلی تی تی ئێس ٢ مۆدێلی زمانەوانی قسەکردن بە شێوەیەکی بەربڵاو بەکاردەهێنێت بۆ تۆمارکردنی هەمو جۆرەکانی قسەکردنی مرۆڤ.
Columbia University
MIT
Medium
en
4GB
نەخێر
4
OpenVoice
Premium
ئۆپن ڤۆیس لە لایەن MyShell.ai ڕێگە بە دووبارە دروست کردنی دەنگ دەداتەوە بە کۆنتڕۆڵ کردنی زۆر لەسەر شێوازی دەنگ، هەست، ڕەنگ، ڕیتم، ڕاوەستان، و دەنگی دەنگی. دەتوانێت دەنگی دووبارە دروست بکات لە ڤیدیۆیەکی کورت و قسەکردن دروست بکات بە زمانە جۆراوجۆرەکان لەکاتێکدا ناسنامەی قسەکەر بپارێزێت. ئۆپن ڤۆیس هەروەها وەک گۆڕێنەری دەنگی کاردەکات، ڕێگە بە گۆڕینی دەنگی ڕاستەوخۆ دەدات.
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
4GB
بەڵێ
4
Qwen3 TTS
Standard
Qwen3-TTS 1.7 ملیار پارامەتری مۆدێلی نوسراو بۆ قسەکردنە لە تیمی Alibaba's Qwen. پشتگیری سێ شێواز دەکات: دەنگەکانی پێشتر دانراون لەگەڵ کۆنتڕۆڵی هەست (9 قسەکەر)، دووبارە دروستکردنی دەنگ لە تەنها ٣ چرکە دەنگییەوە، وە شێوازێکی تایبەت بە نەخشەسازی دەنگ کە تێیدا تۆ دەنگەکەت بە زمانێکی سروشتی باس دەکەیت. ١٠ زمان دەگرێتە خۆ بە دەربڕینێکی بەرز و دەنگی سروشتی.
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
بەڵێ
2
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) بریتییە لە مۆدێلێکی ١ بلیۆن پارامەتر کە تایبەتە بە دروستکردنی قسەکردن. مۆدێلی شێوازی سروشتی قسەکردنی مرۆڤە کە بریتییە لە کاتی وەرگرتن، وەڵامدانەوەی کاناڵەکانی دواوە، وەڵامدانەوەی هەستەکان، و ئاڵوگۆڕی قسەکردن. CSM دەنگ دروست دەکات کە وەک قسەکردنی سروشتی مرۆڤە نەک وەک قسەی دروستکراو.
Sesame
Apache 2.0
Slow
en
8GB
نەخێر
4
Kokoro
ئازادە
Kokoro is an 82 million parameter text-to-speech model that punches well above its weight class. Despite its tiny size, it produces remarkably natural and expressive speech. Kokoro supports multiple languages including English, Japanese, Chinese, and Korean with a variety of expressive voices. It runs incredibly fast — generating audio nearly 100x faster than real-time on a GPU.
Hexgrad
Apache 2.0
Fast
Piper
ئازادە
Piper is a lightweight text-to-speech engine developed by Rhasspy that uses VITS and larynx architectures. It runs entirely on CPU, making it ideal for edge devices, home automation, and applications requiring offline TTS. With over 100 voices across 30+ languages, Piper delivers natural-sounding speech at real-time speeds even on a Raspberry Pi 4.
Rhasspy
MIT
Fast
VITS
ئازادە
VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) is a parallel end-to-end TTS method that generates more natural sounding audio than current two-stage models. It adopts variational inference augmented with normalizing flows and an adversarial training process, achieving a significant improvement in naturalness.
Jaehyeon Kim et al.
MIT
Fast
MeloTTS
ئازادە
MeloTTS by MyShell.ai is a multilingual TTS library supporting English (American, British, Indian, Australian), Spanish, French, Chinese, Japanese, and Korean. It is extremely fast, processing text at near real-time speed on CPU alone. MeloTTS is designed for production use and supports both CPU and GPU inference.
MyShell.ai
MIT
Fast
Bark
ستاندارد
Bark by Suno is a transformer-based text-to-audio model that can generate highly realistic, multilingual speech as well as other audio like music, background noise, and sound effects. It can produce nonverbal communications like laughing, sighing, and crying. Bark supports over 100 speaker presets and 13+ languages.
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
نەخێر
Bark Small
ستاندارد
Bark Small is a distilled version of the Bark model that trades some audio quality for significantly faster inference speeds and lower memory requirements. It retains Bark's ability to generate speech with emotions, laughter, and multiple languages.
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
نەخێر
CosyVoice 2
ستاندارد
CosyVoice 2 by Alibaba's Tongyi Lab achieves human-comparable speech quality with extremely low latency, making it ideal for real-time applications. It uses a finite scalar quantization approach for streaming synthesis and supports zero-shot voice cloning, cross-lingual synthesis, and fine-grained emotion control. It outperforms many commercial TTS systems in subjective evaluations.
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
بەڵێ
Dia TTS
ستاندارد
Dia by Nari Labs is a 1.6B parameter text-to-speech model designed specifically for generating multi-speaker dialogue. It can produce natural-sounding conversations between two speakers with appropriate turn-taking, prosody, and emotional expression. Dia is perfect for creating podcast-style content, audiobook dialogues, and interactive conversational AI.
Nari Labs
Apache 2.0
Medium
en
نەخێر
Parler TTS
ستاندارد
Parler TTS is a text-to-speech model that uses natural language voice descriptions to control the generated speech. Instead of selecting from preset voices, you describe the voice you want (e.g., "a warm female voice with a slight British accent, speaking slowly and clearly") and Parler generates speech matching that description. This makes it uniquely flexible for creative applications.
Hugging Face
Apache 2.0
Medium
en
نەخێر
IndexTTS-2
ستاندارد
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
Apache 2.0
Medium
en, zh
بەڵێ
Spark TTS
ستاندارد
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
Apache 2.0
Medium
en, zh
بەڵێ
GPT-SoVITS
ستاندارد
GPT-SoVITS combines GPT-style language modeling with SoVITS (Singing Voice Inference via Translation and Synthesis) for powerful few-shot voice cloning. With as little as 5 seconds of reference audio, it can accurately clone a voice and generate new speech while preserving the speaker's unique characteristics. It excels at both speaking and singing voice synthesis.
RVC-Boss
MIT
Slow
en, zh, ja, ko
بەڵێ
Orpheus
ستاندارد
Orpheus is a large-scale text-to-speech model that achieves human-level emotional expression. Trained on over 100,000 hours of diverse speech data, it excels at generating speech with natural emotions, emphasis, and speaking styles. Orpheus can produce speech that is virtually indistinguishable from human recordings.
Canopy Labs
Llama 3.2 Community
Medium
en
نەخێر
Qwen3 TTS
ستاندارد
Qwen3-TTS is a 1.7 billion parameter text-to-speech model from Alibaba's Qwen team. It supports three modes: preset voices with emotion control (9 speakers), voice cloning from just 3 seconds of audio, and a unique voice design mode where you describe the voice you want in natural language. It covers 10 languages with high expressiveness and natural prosody.
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
بەڵێ
Chatterbox
پڕۆمیۆم
Chatterbox by Resemble AI is a cutting-edge zero-shot voice cloning model. It can replicate any voice from a single audio sample with remarkable accuracy, capturing not just the timbre but also the speaking style and emotional nuances. Chatterbox also features fine-grained emotion control, allowing you to adjust the emotional tone of the generated speech independently from the voice identity.
Resemble AI
MIT
Medium
en
بەڵێ
4GB
4
Tortoise TTS
پڕۆمیۆم
Tortoise TTS is an autoregressive multi-voice text-to-speech system that prioritizes audio quality over speed. It uses DALL-E-inspired architecture to generate highly natural speech with excellent prosody and speaker similarity. While slower than many alternatives, Tortoise produces some of the most realistic synthetic speech available in the open-source ecosystem.
James Betker
Apache 2.0
Slow
en
بەڵێ
8GB
4
StyleTTS 2
پڕۆمیۆم
StyleTTS 2 achieves human-level TTS synthesis by combining style diffusion with adversarial training using large speech language models. It generates the most natural sounding speech among single-speaker models, rivaling human recordings. StyleTTS 2 uses diffusion-based style modeling to capture the full range of human speech variation.
Columbia University
MIT
Medium
en
نەخێر
4GB
4
OpenVoice
پڕۆمیۆم
OpenVoice by MyShell.ai enables instant voice cloning with granular control over voice style, emotion, accent, rhythm, pauses, and intonation. It can clone a voice from a short audio clip and generate speech in multiple languages while maintaining the speaker identity. OpenVoice also functions as a voice converter, allowing real-time voice transformation.
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
بەڵێ
4GB
4
Sesame CSM
پڕۆمیۆم
Sesame CSM (Conversational Speech Model) is a 1 billion parameter model designed specifically for generating conversational speech. It models the natural patterns of human conversation including turn-taking timing, backchannel responses, emotional reactions, and conversational flow. CSM generates audio that sounds like a natural human conversation rather than synthetic speech.
Sesame
Apache 2.0
Slow
en
نەخێر
8GB
4
جۆگرافیای بەراوردکردن
| مۆدێل | پەرەپێدەر: | ئەیلول | باڵا: | خێرایی | زمانەکان | دووبارە دروستکردنی دەنگی | بیرگەی ڤێریو | مۆڵەتنامە: | بڕوانامە | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | ئازادە | بەکارھێنان | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | ئازادە | بەکارھێنان | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | ئازادە | بەکارھێنان | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | ئازادە | بەکارھێنان | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | بەکارھێنان | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | بەکارھێنان | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | بەکارھێنان | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | بەکارھێنان | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | بەکارھێنان | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Apache 2.0 | 2 | بەکارھێنان | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | Apache 2.0 | 2 | بەکارھێنان | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | بەکارھێنان | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | بەکارھێنان | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | بەکارھێنان | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | بەکارھێنان | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | بەکارھێنان | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | بەکارھێنان | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | بەکارھێنان | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | بەکارھێنان |
گشتگیرترین پڕۆگرامی AI بۆ گۆڕینی نوسراو بۆ قسەکردن
بۆچی TTS.ai هەڵدەبژێریت بۆ نووسین بۆ قسەکردن؟
TTS.ai جیهان کۆدەکاتەوە
هەر مۆدێلێک سەرچاوەی کراوەیە لە ژێر MIT، Apache 2.0، یان ئەو جۆرە مۆڵەتانەی کە ڕێگە پێدەدرێت، دڵنیات دەکاتەوە کە مافی بازرگانی تەواوت هەیە بۆ بەکارهێنانی دەنگی دروستکراو لە پڕۆژەکانتدا. جا ئەگەر پێویستت بە پێکهاتەی خێرا و سووک بێت بۆ ئەپلیکەیشنەکانی کاتی ڕاستەقینە یاخود بەرهەمی باڵای ستادیۆی باشە بۆ کتێبە دەنگییەکان و پۆدکاستەکان، TTS.ai مۆدێلێکی ڕاست هەیە بۆ هەموو حاڵەتێکی بەکارهێنان.
مۆدێلی ئازاد، حسابی پێویست نییە
بە خێرایی دەست پێبکە بە سێ مۆدێلی TTS بە خۆڕایی: پیپێر (بە خێرایی زۆر، سووک)، ڤیتس (سینەتیزەکردنی دەمارێکی باشە)، و مێلۆ تی ئێس (پشتیوانی زمانە زۆرەکان). هیچ تۆمارکردنێک، هیچ کارتی کرێدیتێک، هیچ سنوورێک بۆ نەوەکان. مۆدێلی بە خۆڕایی پشتگیری ئینگلیزی و زمانە زۆرەکانی تر دەکات بە دەرچوونی دەنگێکی سروشتی کە بۆ زۆربەی بەرنامەکان گونجاوە.
پڕۆسێسکردنی خێراکراوەی GPU
هەموو مۆدێلەکانی TTS لەسەر NVIDIA GPU ی تایبەت کاردەکەن بۆ بەرهەمهێنانی خێرا و بەردەوام. مۆدێلەکانی ئازاد بە شێوەیەکی ئاسایی دەنگ لە ژێر ٢ چرکەدا بەرهەمدەهێنن. مۆدێلەکانی ستاندارد وەک کۆکۆرۆ، کۆسی ڤۆیس ٢، و بارک بە ڕێژەی ٣-٥ چرکە. مۆدێلەکانی باڵای باڵای باڵای وەک تۆرتۆیس و چاتەربۆکس، لە ٥-١٥ چرکەدا کاردەکەن بە پێی درێژی نوسراوەکە.
پشتگیری ٣٠ زمان دەکات
دروستکردنی قسەکردن بە زیاتر لە ٣٠ زمان لەوانە ئینگلیزی، ئیسپانی، فەڕەنسی، ئەڵمانی، ئیتاڵی، پورتوگالی، چینی، ژاپۆنی، کۆری، عەرەبی، هیندی، روسی، و زۆر شتی تر. چەند مۆدێلێک پشتگیری لە پێکهاتەی زمانە جیاوازەکان دەکەن، ئەمەش مانای ئەوەیە کە دەتوانیت قسەکردن دروست بکەیت بە زمانێک کە دەنگەکە هەرگیز فێر نەکراوە. کۆسی ڤۆیس ٢ و جی پی تی-سۆڤیتس لە دووبارە دروستکردنی دەنگی زمانە جیاوازەکاندا سەرکەوتوون.
پەرەپێدەری ئامادەکراو
یەک خاڵ بۆ هەموو 24+ مۆدێلەکان. پایتۆن، جاڤا سکریپت، cURL، و Go SDKs. پشتگیری ڕەوانەکردن بۆ ئەپلیکەیشنەکانی کاتی ڕاستەقینە. پڕۆسێسکردنی بەکۆمەڵ بۆ بەرهەمهێنانی بابەتی گەورە. وێب هۆکس بۆ ئاگادارکردنەوەکانی ئاسنک. لە پرۆ و پلانەکانی کۆمپانیادا هەیە.
پرسیاری زۆر کراوە
ئێستا دەست پێبکە بە گۆڕینی نوسراو بۆ قسەکردن
بەشداربە لە هەزاران دروستکەر بە بەکارهێنانی TTS.ai. ٥٠ کرێدیت بە خۆڕایی بەدەست بهێنە لەگەڵ هەژماری نوێدا. مۆدێلی خۆڕایی بەبێ تۆمارکردن هەیە.