Soratra mankany amin'ny feo

Kokoro dia modely 82 tapitrisa amin'ny famaritana ny soratra ho teny izay misongadina tsara noho ny lanjany. Na dia kely aza ny habeny, dia mamorona teny tena natiora sy maneho hevitra izy. Manohana fiteny marobe ny Kokoro, anisan'izany ny teny Anglisy, Japoney, Shinoa, ary Koreana miaraka amin'ny feo marobe maneho hevitra. Mandroso haingana dia haingana izy — mamorona feo haingana 100 heny noho ny fotoana tena izy amin'ny GPU.

Ny Piper dia milina madinika iray hanova ny soratra ho teny namboarin'ny Rhasspy izay mampiasa ny VITS sy ny larynx architecture. Miasa tanteraka amin'ny CPU izy, ka mahatonga azy ho tsara indrindra ho an'ny fitaovana eny amin'ny sisiny, ny fanaraha-maso ny trano, ary ny rindran'asa mila TTS tsy misy fifandraisana. Miaraka amin'ny feo maherin'ny 100 amin'ny teny 30+ ny Piper, manome feo voajanahary amin'ny fiteny amin'ny hafainganam-pandeha tena izy na dia amin'ny Raspberry Pi 4 aza.

Ny VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) dia fomba TTS mifamatotra miainga avy amin'ny farany ka hatrany amin'ny farany izay mamorona feo miafina miavaka kokoa noho ny modely roa dingana ankehitriny. Mandray ny fiheverana miovaova ampitomboina amin'ny fikorianan'ny normalization sy ny fizotry ny fanazaran-tena mifanohitra izy, ary mahazo fanatsarana goavana amin'ny natiora.

Ny MeloTTS avy amin'ny MyShell.ai dia tranomboky TTS maro teny izay manohana ny teny Anglisy (Amerikana, Britanika, Indiana, Aostraliana), Espaniola, Frantsay, Shinoa, Japoney, ary Koreana. Tena haingana dia haingana izy io, mandray andraikitra amin'ny teny amin'ny hafainganam-pandeha mitovy amin'ny fotoana tena izy amin'ny CPU ihany. Ny MeloTTS dia natao ho an'ny fampiasana amin'ny famokarana ary manohana ny CPU sy ny GPU.

Ny Bark avy amin'ny Suno dia modely fanovana lahatsoratra ho feo mifototra amin'ny mpanova izay afaka mamorona teny marobe tena marina sy feo hafa toy ny mozika, ny feo ambadiky ny feo, ary ny vokatry ny feo. Afaka mamorona fifandraisana tsy amin'ny teny toy ny hihomehezana, ny fikorontanana, ary ny mitomany izy io. Manohana mpiteny efa voafaritra mialoha mihoatra ny 100 sy fiteny mihoatra ny 13 ny Bark.

Ny Bark Small dia endrika namboarina tamin'ny maodelin'ny Bark izay mivarotra ny kalitaon'ny feo ho an'ny hafainganam-pandehan'ny fiheverana haingana kokoa sy ny filàna arika ambany kokoa. Mitahiry ny fahaizan'ny Bark hamorona resaka miaraka amin'ny fihetseham-po, ny hihomehezana, ary ny fiteny maro izy.

Ny CosyVoice 2 avy amin'ny Tongyi Lab ao Alibaba dia manana kalitaon'ny feo mitovy amin'ny an'ny olombelona nefa manana fotoana fiatoana ambany indrindra, ka mahatonga azy io ho tsara indrindra ho an'ny fampiharana amin'ny fotoana tena izy. mampiasa fomba fiasa finite scalar quantumization izy io ho an'ny fampifangaroana mivantana ary manohana ny famoronana feo tsy misy fipoahana, fampifangaroana teny maro, ary ny fifehezana ny fihetseham-po amin'ny fomba tsara. mahatratra ny fahaizany ny rafitra TTS marobe amin'ny tsena amin'ny fanadihadiana ny tena.

Ny Dia avy amin'ny Nari Labs dia modely 1.6B soratra-ho-teny natao manokana ho an'ny famoronana adihevitra maro mpiteny. Afaka mamorona resaka miafina eo amin'ny mpiteny roa miaraka amin'ny fihodinan'ny fotoana, ny fiteny, ary ny fiteny ara-pihetseham-po izy. Ny Dia dia mety tsara amin'ny famoronana votoaty tahaka ny podcast, adihevitra amin'ny boky audio, ary AI mifampiresaka.

Ny Parler TTS dia modely fandikana lahabolana ho teny izay mampiasa ny famaritana feo avy amin'ny teny natoraly mba hifehezana ny kabary azo. Raha tsy misafidy avy amin'ireo feo efa voafaritra mialoha ianao, dia mamaritra ny feo tianao (ohatra, "feo vehivavy mafana manana feo Britanika kely, miteny milamina sy mazava") ary ny Parler dia mamorona ny kabary mifanaraka amin'io famaritana io. Izany no mahatonga azy ho sarotra ampiasaina amin'ny rindranasa famoronana.

Ny GLM-TTS avy amin'ny Zhipu AI dia rafitra fandikana teny ho teny mivantana, natsangana tamin'ny fomba fanamboarana Llama miaraka amin'ny fifandanjana miverimberina. Manana ny tahan'ny hadisoana amin'ny marika ambany indrindra amin'ireo maodely TTS misokatra izy, izay midika fa manome ny fehezanteny marina indrindra. Ny GLM-TTS dia manohana ny teny Anglisy sy ny teny Sinoa miaraka amin'ny fandikana feo avy amin'ny santionan-teny 3-10 segondra.

IndexTTS-2 dia rafitra fanovana lahatsoratra ho teny mivantana izay miavaka amin'ny famoronana feo tsy misy fipoahana miaraka amin'ny fifehezana ny fihetseham-po tsara. Afaka mamorona teny amin'ny feo misy fihetseham-po manokana toy ny faly, malahelo, tezitra, na matahotra izy io, tsy mila angon-drakitra fanazarantena manokana momba ny fihetseham-po. Mampiasa ny vector fihetseham-po ny modely mba hifehezana amin'ny fomba mazava ny fisehoan'ny fihetseham-po amin'ny teny novokarina.

Ny Spark TTS avy amin'ny SparkAudio dia maodelin'ny soratra mankany amin'ny fitenenana izay mampifangaro ny fandikana feo miaraka amin'ny fihetseham-po azo fehezina sy ny fomba fitenenana. Amin'ny fampiasana feon-kira 5 segondra monja, afaka manitatra feo iray izy ary avy eo mamorona fitenenana miaraka amin'ny fihetseham-po, hafainganam-pandeha ary fomba fiteny samihafa raha mbola mitazona ny maha-izy azy ny feon'ny fandikana. Mampiasa rafitra fifehezana mifototra amin'ny fanontaniana ny Spark TTS.

Mitambatra amin'ny modelin'ny teny GPT sy ny SoVITS (Singing Voice Inference via Translation and Synthesis) ny GPT-SoVITS mba hahazoana fanangonana feo mahomby. Amin'ny feon-kira 5 segondra monja, afaka mamorona feo sy mamorona kabary vaovao izy ary mitahiry ny toetra tokana an'ilay mpiteny. Tena tsara amin'ny fanangonana feo amin'ny fitenenana sy ny fihira izy.

Ny Orpheus dia maodelin'ny soratra mankany amin'ny fitenenana amin'ny ambaratonga lehibe izay mahatratra ny fanehoana fihetseham-po amin'ny ambaratongan'ny olombelona. Nahazo fiofanana tamin'ny angon-drakitra fitenenana isan-karazany maherin'ny 100.000 ora izy, ary misongadina amin'ny famoronana fitenenana miaraka amin'ny fihetseham-po voajanahary, ny fanamafisana, ary ny fomba fiteny. Afaka mamorona fitenenana izay tsy azo lazaina ho hafa noho ny fandraketana nataon'ny olona ny Orpheus.

Ny Chatterbox avy amin'ny Resemble AI dia fitaovana fanandramana fanandramana tsy misy fipoahana. Afaka mamorona feo avy amin'ny santionan-kira iray izy io, ary tsy ny feo ihany no azony, fa ny fomba fiteny sy ny fihetseham-po ihany koa. Manana ny fahaizana mifehy ny fihetseham-po tsara indrindra ihany koa ny Chatterbox, izay ahafahanao manova ny feo miteraka fihetseham-po tsy miankina amin'ny maha-izy ny feo.

Ny Tortoise TTS dia rafitra fandikana teny ho feo marobe miverina amin'ny laoniny izay manome lanja ny kalitaon'ny feo fa tsy ny hafainganan'ny feo. Mampiasà rafitra nalaina avy amin'ny DALL-E izy mba hamoronana teny tena natioraly miaraka amin'ny fiteny tsara sy ny fitoviana amin'ny mpiteny. Raha mihazakazaka kokoa noho ny safidy maro hafa ny Tortoise, dia mamorona ny sasany amin'ireo teny nalaina avy amin'ny teny tena izy indrindra izay hita ao amin'ny tontolon'ny loharano misokatra.

Ny StyleTTS 2 dia mahavita ny fitambarana TTS amin'ny ambaratongan'ny olombelona amin'ny alàlan'ny fampifangaroana ny fiparitahan'ny endrika amin'ny fanazarantena mifanohitra amin'ny fampiasana ny maodelin'ny fiteny be fiteny. Mamorona ny fitenenana izay miteny toy ny tena izy indrindra izy eo amin'ny maodelin'ny mpiteny iray, mifaninana amin'ny fandraketana ny olona. Mampiasa ny maodelin'ny endrika mifototra amin'ny fiparitahana ny StyleTTS 2 mba haka ny fiovan'ny fiteny rehetra.

Ny OpenVoice avy amin'ny MyShell.ai dia mamela ny fandikana feo avy hatrany miaraka amin'ny fifehezana ny fomba fiteny, ny fihetseham-po, ny fiteny, ny fiteny, ny fiatoana, ary ny fiteny. Afaka manitatra feo avy amin'ny horonantsary fohy izy ary mamorona kabary amin'ny teny maro nefa tsy manala ny maha-izy ny mpiteny. Miasa toy ny mpanova feo ihany koa ny OpenVoice, izay mamela ny fanovana feo amin'ny fotoana tena izy.

Qwen3-TTS dia maodely 1.7 miliara parameters text-to-speech avy amin'ny ekipa Qwen ao amin'ny Alibaba. Manaiky fomba telo izy: feo efa voafaritra mialoha miaraka amin'ny fifehezana ny fihetseham-po (mpiteny 9), fandikana feo avy amin'ny 3 segondra monja amin'ny feo, ary fomba iray manokana amin'ny famolavolana feo izay ahafahanao mamaritra ny feo tianao amin'ny teny natoraly.

Ny Sesame CSM (Conversational Speech Model) dia maodely misy singa 1 miliara namboarina manokana ho an'ny famoronana resadresaka. Izy io dia mamolavola ny endrika natioran'ny resadresaka ataon'ny olombelona, anisan'izany ny fotoana fandraisana anjara, ny valin'ny backchannel, ny fihetseham-po, ary ny fivoahan'ny resadresaka. Ny CSM dia mamorona feo mitovy amin'ny resadresaka natioran'ny olombelona fa tsy ny resadresaka artifisialy.

Ny Chatterbox Turbo avy amin'ny Resemble AI dia fanatsarana ny Chatterbox amin'ny alalan'ny fanatsarana ny paramita 350M, izay manome hafainganam-pandeha 6x amin'ny fotoana tena izy miaraka amin'ny fotoana fiatoana latsaky ny 200ms. Manaiky ireo tag paralinguistic toy ny [riaka], [kohaka], ary [mihomehy] mivantana ao anatin'ny lahatsoratra izy io. Ahitana ny marika rano Perth amin'ny feo rehetra navoaka mba hanaraha-maso ny fiaviany.

Zonos v0.1 avy amin'i Zyphra dia modely 1.6B manana famaritana izay mampiseho ny fifehezana ny fihetseham-po amin'ny alalan'ny sliders ho an'ny fahasambarana, hatezerana, alahelo, tahotra, ary ny fahatsapana mahagaga. Manolotra ny Transformer sy ny SSM (modely toetrandro-toerana) vaovao izy. Nahazo fiofanana tamin'ny 200K+ ora fitenenana amin'ny fiteny marobe miaraka amin'ny fanodinana feo tsy misy fipoahana avy amin'ny 10-30 segondra amin'ny feo iantsorohana.

Ny Dia2 avy amin'ny Nari Labs dia fanavaozana ny Dia amin'ny alalan'ny streaming-first, misy amin'ny endrika 1B sy 2B. Manomboka mamorona feo avy amin'ireo marika vitsy voalohany izy, ka mahatonga azy ho mety indrindra ho an'ny mpikirakira feo amin'ny fotoana tena izy sy ny fantsona fiteny-amin-teny. Mandray an-tànana ny fifanakalozan-kevitra amin'ny mpiteny maro miaraka amin'ny tag [S1]/[S2] sy ny teny fanalahidy toy ny (mihomehy), (mifoha).

VoxCPM 1.5 avy amin'ny OpenBMB dia maodely TTS vaovao tsy misy tokenizer izay miasa amin'ny toerana mitohy fa tsy amin'ny tokens miavaka. Mamorona feo 44.1kHz tena marina izy, mandray an-tànana ny fandikana feo tsy misy fipoahana mandritra ny 3-10 segondra, ary mitazona ny fitoviana amin'ny andininy. Ny fandikana teny mifamatotra dia mamela anao hampiasa feo Anglisy amin'ny fitenenana Shinoa ary ny mifamatotra amin'izany.

Manatsara ny modelin'ny teny lehibe miaraka amin'ny fahaizana manova lahatsoratra ho feo ny OuteTTS, nefa mitahiry ny endrika voalohany. Manaiky backend maro izy, anisan'izany ny llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, ary na ny fidirana amin'ny alalan'ny mpitety tranonkala amin'ny alalan'ny Transformers.js aza. Manana ny fahaizana manaisotra feo tsy misy fipoahana amin'ny alalan'ny profil'ny mpiteny voatahiry amin'ny JSON.

TADA (Text-Acoustic Dual Alignment) avy amin'ny Hume AI dia maodely TTS vaovao izay manafoana ny fihetseham-po tsy mety amin'ny alalan'ny rafitra vaovao fihetseham-po tsy mety natsangana tamin'ny Llama 3.2. Azo ampiasaina amin'ny 1B (Anglisy) sy 3B (teny maro), TADA dia mahazo RTF 0.09 — 5x haingana kokoa noho ny maodely TTS mitovy amin'ny LLM. Manohana hatramin'ny 700 segondra amin'ny tontolon'ny feo izy ary mamorona kabary maneho fihetseham-po tsy misy fihetseham-po tsy mety amin'ny fenitra mahazatra.

Ny VibeVoice avy amin'ny Microsoft dia misy karazana roa: ny 1.5B ho an'ny votoaty lava (hatramin'ny 90 minitra, mpiteny 4) ary ny Realtime 0.5B ho an'ny streaming miaraka amin'ny fotoana fiatoana amin'ny feo voalohany ~200ms. Ny 1.5B dia tsara amin'ny podcasts sy ny boky amin'ny feo miaraka amin'ny fitoniana amin'ny mpiteny mandritra ny fehezanteny lava. Fanamarihana: Naesorin'ny Microsoft ny kaody TTS avy ao amin'ny tahiry ary ny feo navoaka dia ahitana ny fanehoan-kevitra avy amin'ny AI.

Ny Pocket TTS avy amin'i Kyutai (mpamorona ny Moshi) dia maodely soratra-ho-teny 100M manana paramètre kely izay mahatratra mihoatra ny lanjany. Miasa tsara amin'ny CPU izy, manohana ny fanitarana feo tsy misy fipoahana avy amin'ny santionan-teny tokana, ary mamorona feo voajanahary. Ny haben'ny maodely kely dia mahatonga azy ho mety amin'ny fampidirana eny amin'ny sisiny sy ny tontolo iainana tsy dia manana loharanom-pahalalana be loatra.

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.