AI Text-zu-Sprooch

Kokoro ass en Text-zu-Sprooch-Modell mat 82 Milliounen Parameteren, deen iwwer seng Gewiichtsklass erauskënnt. Trotz senger klenger Gréisst produzéiert et bemierkenswäert natierlech a expressiv Sprooch. Kokoro ënnerstëtzt verschidde Sproochen, dorënner Englesch, Japanesch, Chinesesch a Koreanesch mat enger Vielfalt expressiver Stimmen. Et leeft onheemlech séier - et generéiert Audio bal 100x méi séier wéi Echtzäit op enger GPU.

Piper ass eng liicht Text-zu-Sprooch-Engine, déi vu Rhasspy entwéckelt gouf an déi VITS an larynx Architekturen benotzt. Si leeft komplett op CPU, wat se ideal fir Edge-Geräter, Home Automation an Applikatiounen mécht, déi offline TTS erfuerderen. Mat méi wéi 100 Stimmen a méi wéi 30 Sproochen, liwwert Piper natierlech klingend Sprooch mat Echtzäitgeschwindegkeet och op engem Raspberry Pi 4.

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) ass eng parallel End-to-End TTS-Methode, déi méi natierlech klengen Audio generéiert wéi aktuell zweestufig Modeller. Et hëlt variational Inference mat normaliséierende Flëssegkeeten an engem adversarialen Trainingsprozess un, wat eng bedeitend Verbesserung an der Natierlechkeet erzielt.

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 almost real-time speed on CPU alone. MeloTTS is designed for production use and supports both CPU and GPU inference.

Bark vum Suno ass e Transformator-baséierte Text-zu-Audio-Modell, dat héich realistisch, méisproocheg Sprooch souwéi aner Audio wéi Musek, Hintergrundgeräischer a Klangeffekter generéiere kann. Et kann nonverbal Kommunikatioun wéi Lachen, Seufzen a Weinen produzéieren. Bark ënnerstëtzt iwwer 100 Sprecher-Voreinstellungen a méi wéi 13 Sproochen.

Bark Small ass eng destilléiert Versioun vum Bark-Modell, dat e puer Audioqualitéit fir wesentlech méi séier Inferenzgeschwindegkeeten a manner Speicherbedierfnesser austauscht. Et behält d'Fäegkeet vu Bark fir Sprooch mat Emotiounen, Lachen a méi Sproochen ze generéieren.

CosyVoice 2 vum Alibaba's Tongyi Lab erreecht eng Sproochqualitéit déi mat där vun engem Mënsch verglach ka ginn, mat extrem niddereg Latenz, wat et ideal fir Echtzäit-Applikatiounen mécht. Et benotzt eng finit skalär Quantiséierung fir Streaming-Synthese an ënnerstëtzt Zero-Shot Sproochklonen, Synthese tëscht Sproochen, a fein-grained Emotiounskontroll. Et iwwerhëlt vill kommerziell TTS-Systemer an subjektiven Evaluatiounen.

Dia vun Nari Labs ass e 1.6B Parameter Text-zu-Sprooch Modell speziell entwéckelt fir Multi-Sprecher Dialoger ze generéieren. Et kann natierlech klingend Gespréicher tëscht zwee Sprecher mat passenden Turn-taking, Prosody, an emotionalen Ausdrock produzéieren. Dia ass perfekt fir Podcast-Stil Inhalt, Audiobook Dialoger, an interaktiv Konversatioun KI ze kreéieren.

Parler TTS ass en Text-zu-Sprooch-Modell, dat Stimmbeschreiwungen aus der natierlecher Sprooch benotzt, fir d'generéiert Sprooch ze kontrolléieren. Anstatt aus virdefinierte Stimmen auszewielen, beschreift Dir d'Stëmm déi Dir wëllt (z. B. "eng waarm weiblech Stëmm mat engem liichte britesche Akzent, déi lues a kloer schwätzt") a Parler generéiert Sprooch déi mat dëser Beschreiwung entsprécht. Dat mécht et eenzegaarteg flexibel fir kreativ Applikatiounen.

GLM- TTS by Zhipu AI ass e Text-zu-Sprooch-System, dat op der Llama-Architektur mat Flow-Match baséiert. Et huet déi geringst Zeichenfehlerrate vun allen Open-Source-TTS-Modeller, dat heescht et produzéiert déi präzisst Aussprooch. GLM-TTS ënnerstëtzt Englesch a Chinesesch mat Sproochklonen aus 3-10 Sekonnen Audiosamples.

IndexTTS-2 ass e fortgeschrattenen Text-zu-Sprooch-System, dat an der Null-Schoss-Stëmmsynthese mat enger feinkörniger Emotiounskontroll exzellent ass. Et kann Sprooch mat spezifesche emotionalen Tonen wéi glécklech, traureg, verärgert oder ängstlech generéieren, ouni datt emotiounsspezifesch Trainingsdaten néideg sinn. De Modell benotzt Emotiounsvektoren, fir den emotionalen Ausdrock vun der generéierter Sprooch präzis ze kontrolléieren.

Spark TTS vun SparkAudio ass en Text-zu-Sprooch-Modell, dat Sproochklonen mat kontrolléierbaren Emotiounen a Sproochstil kombinéiert. Mat nëmme 5 Sekonnen Referenzaudio kann et eng Sprooch klonen an da Sprooch mat verschiddenen Emotiounen, Geschwindegkeeten a Stiler generéieren, wärend et d'geklont Sproochidentitéit behält. Spark TTS benotzt e Prompt-baséiert Kontrollsystem.

GPT-SoVITS kombinéiert Sproochmodelléierung am GPT-Stil mat SoVITS (Singing Voice Inference via Translation and Synthesis) fir e mächtegt Stëmmklonen an e puer Schëss. Mat sou wéineg wéi 5 Sekonnen Referenzaudio kann et eng Stëmm klonen an eng nei Sprooch generéieren, wärend et d'eenzegaarteg Charakteristike vum Sprecher behält. Et ass exzellent an der Synthese vu gesot a gesot Stëmm.

Orpheus ass e groussen Text-zu-Sprooch-Modell, deen emotionalen Ausdrock op mënschlechem Niveau erreecht. Trainéiert op méi wéi 100.000 Stonnen vu verschiddene Sproochdaten, ass et exzellent am Generéieren vu Sprooch mat natierlechen Emotiounen, Betonung a Sproochstiler. Orpheus kann Sprooch produzéieren, déi praktesch net vu mënschleche Opnamen ze ënnerscheeden ass.

Chatterbox vum Resemble AI ass e modernt Zero-Shot-Stëmm-Klon-Modell. Et kann all Stëmm aus engem eenzegen Audio-Sampling mat bemierkenswäerter Genauegkeet replizéieren, an net nëmmen de Klang, mee och de Sproochstil an d'emotionell Nuancen erfaassen. Chatterbox bitt och eng feingranuléiert Emotiounskontroll, déi Iech erlaabt, den emotionalen Ton vun der generéierter Sprooch onofhängeg vun der Stëmmidentitéit unzepassen.

Tortoise TTS ass en autoregressivt Text-zu-Sprooch-System mat ville Stëmmen, dat d'Audioqualitéit virun der Geschwindegkeet stellt. Et benotzt eng DALL-E-inspiréiert Architektur fir ganz natierlech Sprooch mat exzellenter Prosodie a Sprechergläichheet ze generéieren. Wärend et méi lues ass wéi vill aner Alternativen, produzéiert Tortoise eng vun de realisteschsten syntheteschen Sproochen, déi am Open-Source-Ëmfeld verfügbar sinn.

StyleTTS 2 realiséiert eng TTS-Synthese op mënschlechem Niveau duerch d' Kombinatioun vu Stil-Diffusioun mat antagonisteschem Training mat grousse Sproochmodeller. Et generéiert déi natierlechst Sprooch tëscht Single-Speaker-Modeller, déi mat mënschlechen Opnamen konkurréieren. StyleTTS 2 benotzt Diffusion-baséiert Stilmodelléierung fir d'ganz Palette vu mënschlecher Sproochvariatioun z'erfaassen.

OpenVoice vun MyShell.ai erméiglecht d'Sofort-Stëmmklonen mat granulärer Kontroll iwwer Stëmmstil, Emotioun, Akzent, Rhythmus, Pausen an Intonatioun. Et kann eng Stëmm aus engem kuerzen Audioclip klonen an Sprooch a méi Sproochen erzeugen, während d'Sprecheridentitéit behalen gëtt. OpenVoice funktionéiert och als Stëmmkonverter, wat d'Stëmmtransformatioun an Echtzäit erlaabt.

Qwen3-TTS ass en Text-zu-Sprooch-Modell mat 1,7 Milliarde Parameter vum Qwen-Team vun Alibaba. Et ënnerstëtzt dräi Modus: virprogramméiert Stimmen mat Emotiounskontroll (9 Sprecher), Stimmklonen aus nëmmen 3 Sekonnen Audio, an en eenzegaartege Stimmdesignmodus wou Dir d'Stëmm déi Dir wëllt an der natierlecher Sprooch beschreift. Et deckt 10 Sproochen mat héijer Ausdrockskraaft an natierlecher Prosodie.

Sesame CSM (Conversational Speech Model) ass e Modell mat 1 Milliard Parameteren, dat speziell fir d'Generatioun vu Gespréichssprooch entwéckelt gouf. Et modelléiert d'natierlech Mustere vu mënschleche Gespréicher, dorënner Turn-taking Timing, Backchannel Reaktiounen, emotional Reaktiounen a Gespréichsfloss. CSM generéiert Audio, deen wéi eng natierlech mënschlech Gespréichssprooch kléngt an net wéi synthetesch Sprooch.

Chatterbox Turbo vum Resemble AI ass eng 350M Parameter-Upgrade fir Chatterbox, déi bis zu 6x Echtzäitgeschwindegkeet mat enger Latenz vun ënner 200ms liwwert. Et ënnerstëtzt paralinguistesch Tags wéi [laugh], [cough] an [chuckle] direkt am Text. Et enthält Perth Waasserzeechen op all generéierten Audio fir d'Provenience Tracking.

Zonos v0. 1 vum Zyphra ass e 1. 6B Parametermodell mat enger feinkorneger Emotiounskontroll mat Schieberegler fir Gléck, Wut, Trauregkeet, Angst a Iwwerraschung. Et bitt souwuel e Transformer wéi och eng nei SSM (State-space model) Variant. Trainéiert op 200K+ Stonnen vu méisproocheger Sprooch mat Null-Shot Stimmklonen aus 10-30 Sekonnen Referenzaudio.

Dia2 vun Nari Labs ass e Streaming-first Upgrade op Dia, verfügbar an 1B an 2B Parameter Varianten. Et fänkt un Audio aus den éischte puer Token ze synthetiséieren, wat et ideal fir Echtzäit Sproochagenten a Sprooch-zu-Sprooch Pipelines mécht. Ënnerstëtzt Multi-Sprecher Dialog mat [S1] / [S2] Tags a paralinguistesche Cues wéi (laughs), (coughs).

VoxCPM 1. 5 vun OpenBMB ass e neit Tokenizer-fräi TTS-Modell, dat an engem kontinuéierleche Raum funktionnéiert an net an diskrete Token. Et produzéiert High-Fidelity 44. 1kHz Audio, ënnerstëtzt Zero-Shot Stëmmklonen vun 3-10 Sekonnen, a behält d'Konsistenz iwwer Absätz. Cross-Language Cloning erlaabt Iech eng englesch Stëmm op chinesesch Sprooch unzewenden an ëmgedréit.

OuteTTS erweidert grouss Sproochmodeller mat Text-zu-Sprooch Fäegkeeten, während d'Original Architektur behalen gëtt. Et ënnerstëtzt verschidde Backends, dorënner llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, an och Browser Inferenz via Transformers.js. Features zero-shot Stëmm Klonen duerch Sprecherprofiler als JSON gespäichert.

TADA (Text-Acoustic Dual Alignment) vum Hume AI ass e revolutionäre TTS-Modell, deen Halluzinatiounen duerch eng nei Architektur eliminéiert, déi op Llama 3.2 baséiert ass. TADA ass verfügbar an 1B (Englesch) a 3B (méisproocheg) Varianten, an et erzielt en RTF vun 0,09 - 5x méi séier wéi vergläichbar LLM-baséiert TTS-Modeller. Et ënnerstëtzt bis zu 700 Sekonnen Audiokontext a produzéiert emotional expressiv Sprooch mat Null Halluzinatiounen op Standard Benchmarks.

VibeVoice vu Microsoft kënnt an zwou Varianten: e 1.5B-Modell fir laang Inhalter (bis zu 90 Minutten, 4 Lautsprecher) an e Realtime 0.5B-Modell fir Streaming mat ~200 ms éischter Audiolatenz. D'1.5B-Variante exceléiert bei Podcasts an Audiobicher mat Sprecherkonsistenz iwwer laang Passagen. Notiz: Microsoft huet TTS-Code aus dem Repository ewechgeholl an de generéierten Audio enthält héieren AI Disclaimer.

Pocket TTS vum Kyutai (Moshi-Schrëftsteller) ass e kompakte 100M Parameter Text-zu-Sprooch-Modell, deen iwwer säi Gewiicht erauskënnt. Et leeft effizient op der CPU, ënnerstëtzt Zero-Shot-Stëmmklonen aus engem eenzegen Audiosample, a produzéiert eng natierlech klengen Sprooch. D'Kleiner Modellgréisst mécht et ideal fir Edge-Deployment an Ëmfeld mat wéinege Ressourcen.

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.

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.

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.

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.