സംസാരത്തിനുള്ള II പദാവലി
തുറക്കുന്ന ഏഐ മോഡലുകള് ഉപയോഗിച്ചു് ടെക്സ്റ്റിലേക്ക് പദാവലികള് മാറ്റുക. ഉപയോഗിക്കാനാവശ്യമില്ലാത്ത, അക്കൌണ്ട് ആവശ്യമില്ല.
കൃത്യമായ നിയന്ത്രണത്തിനായി SSML തൊങ്ങലില് വാചകം പൊതിയുക:
<speak><prosody rate="slow">Slow speech</prosody></speak>
തെരഞ്ഞെടുത്ത മാതൃക മനസ്സിലാക്കുന്നത് ടാഗ് (കുടികള്) :
ഈ മോഡ് സാധാരണ പദാവലി വായിക്കുന്നു, അതുകൊണ്ട് ഇന്ലൈന് തൊങ്ങല് അവഗണിപ്പിക്കുന്നു. ടാഗ് അടിസ്ഥാനപരമായ വികാരങ്ങള്ക്കു് ഓര്ഫിയസ് അല്ലെങ്കില് ബാര്ക് പോലുള്ള ഒരു ചിത്രീകരണ മോഡില് മാറുക.
ഇഷ്ടപ്പെട്ട ഉച്ചാരണം നിര്വ്വചിക്കുക (വാക്ക് = ഉച്ചാരണം):
സാമ്പിളിന്റെ വിശദാംശങ്ങള്
Indic Parler TTS
Indic Parler TTS by AI4Bharat extends the Parler architecture to Indian languages, generating natural speech in Tamil, Bengali, Marathi, Gujarati, Kannada, Punjabi, Odia, Assamese, Hindi, Telugu, Malayalam and English. Like Parler, you describe the voice you want in plain language and the model matches it — no preset voices required. Trained on AI4Bharat speech corpora for authentic pronunciation and prosody across the Indian subcontinent.
| രചയിതാവു്: | AI4Bharat |
| അനുമതി: | Apache 2.0 |
| വേഗത | പതുക്കെ |
| നിലവാരം: | |
| ഭാഷകള് | 12 ഭാഷകള് |
| വാറം | 8GB |
| ശബ്ദ ക്ളൈനിങ്ങ് | പിന്തുണ ലഭ്യമല്ല |
മെച്ചമായ ഫലങ്ങളുടെ സൂചനകൾ
- പ്രകൃതിയിലെ ഇടവേളകള്ക്കും സ്ഥാപനങ്ങള്ക്കും ശരിയായി ചുരുക്കിപ്പറയല് ഉപയോഗിക്കുക
- വ്യക്തമായ ഉളള ഉച്ചാരണംക്കായി അക്ഷരത്തെറ്റു് നമ്പറുകളും അക്ഷരത്തെറ്റു്
- വാക്യാംശങ്ങള്ക്കിടയില് ചെറിയ ഇടവേളകള് സൃഷ്ടിക്കാന് കോമകള് ചേര്ക്കുക
- ദീര്ഘമായ ഇടവേളകള് നടത്താന് (...) എലിപ്ലിസിസ് ഉപയോഗിക്കുക
- കോക്കോറോ അല്ലെങ്കിൽ കൊസിവോയിസ് 2 പ്ലേഗുകൾ പ്രകൃതിവിപത്തുകൾക്കായി ശ്രമിക്കുക
- ഒന്നിലധികം സ്കോട്ട്ലര് ഡയലോഗുകള്ക്കും പോര്ച്ചുഗല് ഉള്ളടക്കത്തിനുമായി Dia ഉപയോഗിക്കുക
ക്യാരക്ടര് ഉപയോഗം
| ടിയെര് | വില |
|---|---|
| ഫ്രീ | 0 അഡ്മിനിസ് (അപരിചിതം) |
| സ്റ്റാന്ഡേര്ഡ് | 2 ക്രെഡിറ്റ് / 1K അക്ഷരങ്ങൾ |
| പ്രിമിയം | 4 ക്രെഡിറ്റ് / 1K അക്ഷരങ്ങൾ |
സംസാരത്തിന്റെ കാര്യത്തിൽ ഐഐ (II) പാഠങ്ങൾ
പ്രൊഫഷണല്-വിദഗ്ദ്ധമായ മൂന്നു പടികളില് നിര്മ്മിക്കുക. സാങ്കേതികമായ അറിവില്ല.
പാഠം നല്കുക
ടൈപ്പ്, ഒട്ടിക്കുക, അല്ലെങ്കില് നിങ്ങള്ക്കു് സംസാരരീതിയിലാക്കാന് ഇഷ്ടമുള്ള പദാവലി അപ്ലോഡ് ചെയ്യുക. ലോഗ് ചെയ്യാന് ഓരോ തലമുറയിലും 5,000 അക്ഷരങ്ങള് ചേര്ക്കുന്നു. കൂടുതല് ഉച്ചാരണം, കൂടുതല് ഉച്ചാരണം, അമര്ത്തല് എന്നിവയ്ക്കായി എസ്എസ്എംഎംഎല് ടാഗുകള് ചേര്ക്കുക അല്ലെങ്കില് SSML ടാഗുകള് ചേര്ക്കുക.
മോഡല് & ശബ്ദം തെരഞ്ഞെടുക്കുക
മൂന്നു സ്ലേറ്റുകളുടെ കൂടെയുള്ള 20+A മോഡലുകള് തെരഞ്ഞെടുക്കുക. നിങ്ങളുടെ ഉള്ളടക്കം, ലക്ഷ്യ ഭാഷ തെരഞ്ഞെടുക്കുക, റെക്കോഡ് വേഗത, 0. 0x മുതല് 2. 0x വരെ മാറ്റുക, നിങ്ങള്ക്കിഷ്ടപ്പെട്ട ഔട്ട്പുട്ട് ഫോര്മാറ്റ് (MMP3, OAV, OGC, FLC) തെരഞ്ഞെടുക്കുക.
ഡൌണ്ലോട് & സൃഷ്ടിയ്ക്കുക
നിങ്ങളുടെ ഓഡിയോ നിര്മ്മാണം ക്ലിക്ക് ചെയ്യുക. സെക്കന്ഡുകളില് നിങ്ങളുടെ ഓഡിയോ സെക്കന്ഡുകളില് തന്നെ തയ്യാറാക്കിയിരിയ്ക്കുന്നു. അച്ചടിച്ച കളിയുമായി മുന്കാഴ്ച, തെരഞ്ഞെടുത്ത രീതിയില് ഡൌണ്ലോഡ് ചെയ്യുക അല്ലെങ്കില് ഒരു പങ്കാളിത്ത കണ്ണി പകര്ത്തുക. സംക്രമീകരണത്തിനായി API ഉപയോഗിക്കുക.
വാക്കുകളുടെ ഉപയോഗ കേസുകള്ക്കുള്ള വാചകം
വര്ഷങ്ങള്ക്കുള്ളില് ഓഡിയോ വിവരങ്ങള് ഉണ്ടാക്കുന്ന രീതികള് രൂപകല്പന ചെയ്യുന്നുണ്ട്.
എല്ലാ പദാവലിയും സംസാര മോഡലുകളിലേക്കു്
Detailed specifications for every AI model available on TTS.ai. Compare quality, speed, language support, and features to find the perfect model for your project.
Kokoro
Free
കൊക്കോറോ ഒരു 82 ദശലക്ഷം പരാമീറ്റര് ടെക്സ്റ്റുകള്ക്കുള്ള ടെക്സ്റ്റുകള് ആണ്. തൂക്കത്തില് കൂടുതല് കൂടുന്ന ഒരു ചെറിയ അക്ഷരം ഉണ്ടെങ്കില്, അത് വളരെ സ്വാഭാവികവും വര്ദ്ധിപ്പിക്കുന്ന സംസാരം ഉല്പാദിപ്പിക്കുന്നു. കോക്കോറോ ഇംഗ്ലീഷ്, ജപ്പനീസ്, ചൈനീസ്, കൊറിയന് തുടങ്ങിയ പല ഭാഷകള്ക്കു പിന്തുണ ചെയ്യുന്നു. വളരെ വേഗത്തില് അത് GPU-സമയത്ത് പ്രവര്ത്തിക്കുന്നതിലും വേഗത്തില് പ്രവര്ത്തിക്കുന്നു.
Hexgrad
Apache 2.0
വേഗത
en, ja, zh, fr, it, pt, es, hi
1.5GB
ഇല്ല
ഫ്രീ
Piper
Free
പിപ്പര്, VITS and Lystempy and Ids and Is and Lystem Strints- ല് നിര്മ്മിച്ച ഭാരം കുറഞ്ഞ ടെക്സ്റ്റ് എഞ്ചിന് ആണ്. ഇതു് പൂര്ണ്ണമായും CPU- യില് പ്രവര്ത്തനസജ്ജമാക്കുന്നു. മോര്ന്ന ഉപകരണങ്ങള്, ഹോം-നൈമാറ്റം, പ്രയോഗങ്ങള്ക്ക് ഓണ്ലിറ്റില് ആവശ്യമുളള ഉപകരണങ്ങള്. 30+-ല് കൂടുതല് ശബ്ദങ്ങള് ഉള്ളതിനാല്, ഒരു റാസ്പെറിബെറി 4-ല് ശബ്ദോപൈന് വേഗതയില്, പാപ്പര് പ്രവര്ത്തിപ്പിക്കുന്നു.
Rhasspy
MIT
വേഗത
en, de, fr, es, it, pt, nl, pl, ru, zh, ar, cs, da, fi, el, hu, is, ka, kk, ne, no, ro, sk, sr, sv, sw, tr, uk, vi, ca, cy, fa, lv, sl, lb, eu, id, ku, ml, sq, te, ur
0 (CPU only)
ഇല്ല
ഫ്രീ
VITS
Free
VITS (അന്ത്യ-ഘടകത്തില് നിന്ന് വായിക്കാന് പഠിക്കല്) ഒരു സമാന്തര രീതിയാണ്. അത്, ഇപ്പോഴത്തെ രണ്ട് കേന്ദ്ര മോഡലുകള്ക്കപ്പുറം പ്രകൃതിയിലെ ശബ്ദോപകരണങ്ങള് ഉണ്ടാക്കുന്ന ശബ്ദ രീതിയാണ്. അപ്പോള്, പരമ്പരാഗത പരിവര്ത്തനം, പരമ്പരാഗികമായ പരിശീലന പ്രക്രിയകള്, പ്രകൃതിയില് ശ്രദ്ധേയമായ പുരോഗതി നേടുന്നു.
Jaehyeon Kim et al.
MIT
വേഗത
en, de, es, fr, pt, nl, fi, hu, bg, ja, pl
1GB
ഇല്ല
ഫ്രീ
MeloTTS
Free
Mylottts ആണ് ഇംഗ്ലീഷ്, ബ്രിട്ടീഷ്, ബ്രിട്ടീഷ്, ഓസ്ട്രേലിയ, സ്പാനിഷ്, ചൈനീസ്, ചൈനീസ്, കൊറിയന് പിന്തുണയുള്ള ഒരു ബഹുഭാഷാ ലൈബ്രറി. സിപിയു-ടൈം വേഗതക്കു സമീപത്തുള്ള പാഠം വളരെ വേഗത്തില് പ്രവര്ത്തിക്കുന്നു.
MyShell.ai
MIT
വേഗത
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
ഇല്ല
ഫ്രീ
Bark
Standard
സണ്ബോയുടെ ബാര് ഒരു പരിഷ്കരിക്കുന്ന ടെക്സ്റ്റ് മോഡല് ആണ്. ഇത് വളരെ സാങ്കേതികവും വര്ദ്ധനവുമായുള്ള സംസാരം, വര്ദ്ധന, പശ്ചാത്തല ശബ്ദം, ശബ്ദങ്ങള് തുടങ്ങിയ ശബ്ദങ്ങള് ഉണ്ടാക്കാന് കഴിയും. ഇത് ചിരി, നെടുവീര്പ്പിടല്, കരച്ച എന്നിവപോലുള്ള നാവിക സന്ദേശങ്ങള് ഉല്പാദിപ്പിക്കാന് കഴിയും. ബാര്ക്ക് 100- ലക്കങ്ങള്ക്കും 13+ ഭാഷകള്ക്കും കൂടുതല് പിന്തുണ നല്കാന് കഴിയും.
Suno
MIT
പതുക്കെ
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
ഇല്ല
2x
Bark Small
Standard
ബാര്ക്ക് ചെറുതാണു് ബാര്ക്ക് മോഡലിന്റെ ദ്രാവകം. ചില ഓഡിയോ ഗുണങ്ങള് വേഗത്തിലും, ഓര്മ്മകളുടെ ആവശ്യങ്ങള് കുറയ്ക്കുന്നു. വികാരങ്ങളാലും, ചിരിയാലും, പല ഭാഷകളാലും സംസാരം സൃഷ്ടിക്കാനുള്ള കഴിവ് ഇതു നിലനിറുത്തുന്നു.
Suno
MIT
ഇടത്തരം
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
ഇല്ല
2x
CosyVoice 2
Standard
"കോസിയോയിസ്" (Cosyoses), ടോങ്ബാബ 2 ടോങ്ബയ്യ്ക്കിയുടെ ക്യാപ്റ്റന് ഭാഷയില് മനുഷ്യന്റെ അപൂര്വ്വമായ ലാബിനെ നിര്ബന്ധപൂര്വ്വമായ ഭാഷാഗുണം നേടിയെടുക്കുന്നു. ഇത് യഥാര്ത്ഥ സമയ പ്രയോഗങ്ങള്ക്ക് അനുയോജ്യമാക്കുന്നു. ഇത് "ഇന്സെന്സ്" (Sinty) എന്ന സങ്കര്ച്ച" (Syints) എന്ന സങ്കര്ച്ചയെ പിന്വലിപ്പിക്കാന് ഉപയോഗിക്കുന്നു.
Alibaba (Tongyi Lab)
Apache 2.0
ഇടത്തരം
en, zh, ja, ko, fr, de, it, es
4GB
അതെ
2x
Dia TTS
Standard
'നാറി ലാബ്സ്' ഉപയോഗിച്ചു് ഒരു 1.6B പരാമീറ്റര് വര്ദ്ധനത്തിനുള്ള മാതൃകയാണ്. ഒന്നില് കൂടുതല് ശബ്ദ സംവാദങ്ങള് നിര്മ്മിക്കുന്നതിനുളള ഒരു ഫയല്- മെസ്സേജ് നിര്മ്മിച്ചിട്ടുള്ളതു്. ഇതു് രണ്ട് സംസാരക്കാര് തമ്മില് ശരിയായ ഇടവേള, പ്രൊസസ്സിങ്, പ്രോസോഡി, വൈകാരിക ഭാവങ്ങള് എന്നിവയുമായി സമ്പര്ക്കത്തില് സംവാദങ്ങള് ഉണ്ടാക്കാന് സാധിക്കുന്നു. ഡിയ അനുയോജ്യമാണ് സ്പാനിഷ്- ശൈലികള്, ഓഡിയോപുസ്തകങ്ങള്, ഇന്റര് ಸಂಭಾಷಣೆകള് എന്നിവ നിര്മ്മിക്കുന്നത്, ഇന്ററാക്റ്റല് സംഭാഷണം എന്നിവ നിര്മ്മിക്കുന്നത്.
Nari Labs
Apache 2.0
ഇടത്തരം
en
4GB
ഇല്ല
2x
Parler TTS
Standard
പാര്ലര് ടിടിഎസ് എന്നത് ഒരു സാധാരണ ഭാഷാ വിവരണങ്ങള് ഉപയോഗിച്ച് നിര്മ്മിച്ച സംസാരം നിയന്ത്രിക്കുന്നു. നിങ്ങള് ശബ്ദങ്ങള് തെരഞ്ഞെടുക്കുന്നതിനു് പകരം, നിങ്ങള് ഒരു ചെറിയ ബ്രിട്ടീഷ് ഉച്ചാരണം ഉപയോഗിച്ചു് (ഉദാര്ത്ഥമായി സംസാരിക്കുന്നു), പാര്ലര് ആ വിവരണവുമായി പൊരുത്തപ്പെടുത്തുന്നു. ഇത് നിര്മ്മാണ പ്രയോഗങ്ങള്ക്ക് അനുയോജ്യമാക്കുന്നു.
Hugging Face
Apache 2.0
ഇടത്തരം
en
4GB
ഇല്ല
2x
Indic Parler TTS
Standard
നിങ്ങൾ ആഗ്രഹിക്കുന്ന ശബ്ദത്തെ വർണിക്കുന്നതുപോലെ, സാധാരണ ഭാഷയിലും അതിന് ആവശ്യമായ മാതൃകയിലും നിങ്ങൾ വിശേഷിപ്പിക്കുന്നു. (g04 4 / 8)
AI4Bharat
Apache 2.0
പതുക്കെ
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
8GB
ഇല്ല
2x
KhanomTan TTS
Standard
നിങ്ങളുടെ ടിടിഎസ് സ്പീഷീസില് നിര്മ്മിച്ച തുറന്ന താടിTTS- വായനാ മോഡല്. CCTS- ല് നിര്മ്മിച്ചിട്ടുള്ളതും നിര്ബന്ധിതവുമായ തായ് കോര്പോറയില് (TCTS) പരിശീലനം നല്കുന്നതും മറ്റു പല ഭാഷകളോടൊപ്പം സാധാരണ റ്റാത്ത് ശബ്ദങ്ങളുപയോഗിച്ച് സംസാരിക്കുന്നതും. നല്ല, വാണിജ്യമായ ഒരു ഉപാധി തായ്വര്ക്ക് നല്കാവുന്ന, ഏറ്റവും ശുദ്ധവും വാണിജ്യവുമായ റ്റസ് മോഡല്, ഏറ്റവും തുറന്ന ടിടിഎസ്, കോമറല് ലൈസന്സുകളുടെ കീഴില് മാത്രം.
Wannaphong Phatthiyaphaibun
Apache 2.0
വേഗത
th
2GB
ഇല്ല
2x
IndexTTS-2
Standard
ExtTS- 2 ആണ് ഒരു പുരോഗമിച്ച ടെക്സ്റ്റ്- ലേഖന സിസ്റ്റം. അത് പൂജ്യം- ഹോട്ട്-ടൈന് ശബ്ദ നിയന്ത്രണത്തില് മികച്ച വികാര നിയന്ത്രണം ഉള്ളതാണ്. ഇതു് ചില വികാരവിനിമയങ്ങളുമായി സംസാരം സൃഷ്ട്ടിക്കുന്നത് സന്തോഷവും, ശോചനവും, ശോചനവും, ശോചനീയവുമായ പരിശീലന വിവരങ്ങള് ഇല്ലാത്തവര്ക്കായിയോ ഭയാദകരവുമായ സംസാരം സൃഷ്ടിക്കും. ആ മാതൃക നിര്മ്മിച്ച സംസാരത്തിന്റെ വികാരപ്രകടനത്തെ കൃത്യമായി നിയന്ത്രിക്കാന് വെക്സറുകള് ഉപയോഗിക്കുന്നു.
Index Team
Bilibili Model License
ഇടത്തരം
en, zh
4GB
അതെ
2x
Spark TTS
Standard
ആര്ടിഎസ് ഓഡിയോ ഉപയോഗിച്ചു് സ്കോട്ട് ചെയ്യാവുന്ന ഒരു ലേഖന- വായനാ മോഡല് ആണ് അത് ശബ്ദത്തെ നിയന്ത്രിക്കാന് കഴിയുന്ന വികാരവും സംസാരരീതിയുമായി കൂട്ടിചേര്ക്കുന്നു. കുറിപ്പ് ഓഡിയോ ഉപയോഗിച്ചു് 5 സെക്കന്റുകളോളം ശബ്ദത്തില് മോണിറ്റര് ആവര്ത്തിക്കുകയും, ശീര്ഷകങ്ങളോടെയും, ശൈലികളാല് സംസാരം നിര്മ്മിക്കുകയും ചെയ്യും. StTS പ്ലെയിസ് ആക്ടിക്കല് നിയന്ത്രണ സിസ്റ്റം ഉപയോഗിയ്ക്കുന്നു.
SparkAudio
CC BY-NC-SA 4.0
ഇടത്തരം
en, zh
4GB
അതെ
2x
GPT-SoVITS
Standard
GPT- സോടിവിഎസ് GPT- സോപ്- സ്റ്റൈല് ഭാഷാ ക്രമം ചേര്ക്കുന്നു (സങ്കീര്ത്തനം) ശക്തിയേറിയ ഏതാനും ഫോറന്സിലിങ്ങുകള്ക്കു് സിന്സെന്ഫോര്സ് (സംഗീറ്റിങ് സിന്സെന്സിസ്) ശക്തിയേറിയ ചില ശബ്ദങ്ങള് ഉപയോഗിച്ചു് സിന്സെന്സിസ് (സ്പീലിങ് ശബ്ദസങ്കലനം). ഇത് 5 സെക്കന്ഡ് ശബ്ദങ്ങള് പോലെ തന്നെ, സംസാരത്തിന്റെ പ്രത്യേക വിശേഷതകള് സൂക്ഷിക്കുമ്പോള് പുതിയ ശബ്ദവും നിര്മ്മിക്കാന് കഴിയും. ഇതു് സംസാരത്തിന്റെയും ശബ്ദത്തിന്റെയും ശബ്ദത്തിന്റെ ശബ്ദത്തിന്റെ സിന്റെ സജ്ജമാക്കുവാന് കഴിയും.
RVC-Boss
MIT
പതുക്കെ
en, zh, ja, ko
6GB
അതെ
2x
Orpheus
Standard
ഓര്ഫിയസിന് മനുഷ്യതലത്തിലെ വൈകാരിക ഭാവം നേടുന്ന ഒരു വലിയ ടെക്സ്റ്റിന്റെ മാതൃകയാണ്. 100,000 മണിക്കൂറില് കൂടുതല് വ്യത്യസ്തമായ ഭാഷാവിവരങ്ങള്ക്ക് പരിശീലനം നല്കുമ്പോള്, സ്വാഭാവിക വികാരങ്ങളോടും, ഊന്നല്യോടും, സംസാരരീതിയോടും കൂടി സംസാരരീതികളോടും കൂടിയ സംസാരം വികസിപ്പിച്ചെടുക്കാന് കഴിയും. ഓര്ഫിയസിന്, മനുഷ്യന്റെ റെക്കോര്ഡുകളില് നിന്നും വളരെ വിപുലമായ സംസാരം ഉണ്ടാക്കാന് കഴിയും.
Canopy Labs
Llama 3.2 Community
ഇടത്തരം
en
4GB
ഇല്ല
2x
Chatterbox
Premium
റെസ്പര്ച്ചര് ബോക്സ് റെസ്ലിള് എഡ്ജെറ്റ്- ഹോട്ട്- ഹോട്ട് സ്റ്റൈല് മോഡല് ആണ്. ഇതു് ഏതെങ്കിലും ശബ്ദത്തെ കൃത്യതയോടെ സജ്ജീകരിക്കാന് കഴിയും. ഇതു് ഒരു റെമിബ്രേരി മാത്രമല്ല സംസാരരീതിയും വൈകാരിക വൈദഗ്ധ്യങ്ങളും കൂടി സജ്ജീകരിക്കും. സല്ലാപകരമായ വികാരനിയന്ത്രണവും സജ്ജീകരിക്കുന്നു, ശബ്ദത്തിന്റെ സ്വയമായ ശബ്ദത്തിന്റെ സ്വരം മാറ്റാന് നിങ്ങളെ അനുവദിക്കുന്നു.
Resemble AI
MIT
ഇടത്തരം
en
4GB
അതെ
4x
Tortoise TTS
Premium
TTS ഒരു യാന്ത്രിക- ശബ്ദ- വായനാ സംവിധാനം ആണ് വേഗത്തില് ശബ്ദത്തിന്റെ ഗുണമേന്മ മുന്ഗണന നല്കുന്നത്. ഇതു് ഡാല്- എ എഇ സ്പെക്ട് സ്ക്രീനില് ഏറ്റവും കൂടിയ പ്രകൃതിസങ്കീര് പോലെയുള്ള സംസാരം നിര്മ്മിക്കാന് ഡിസൈനര് ഉപയോഗിക്കുന്നു. പല പകരങ്ങളെക്കാളും വേഗത കുറവാണെങ്കിലും, തുറന്ന സസ്തനിയില് ഏറ്റവും സാങ്കേതികമായ ചില സാങ്കേതിക സംസാരം നിര്മ്മിക്കുന്നു.
James Betker
Apache 2.0
പതുക്കെ
en
8GB
അതെ
4x
StyleTTS 2
Premium
സ്റ്റൈല്ടിടിഎസ് 2 മാനവ- ലെമെന്റ് ടിടിഎസ് സിന്സിസ് (TS), വലിയ ഭാഷാസങ്കലന പരിശീലനം ഉപയോഗിച്ചു് ഡിഫ്യൂഷന് ചേര്ക്കുന്നു. അതു് ഒരേ- വര്ത്തമാന മോഡലുകള് ഉപയോഗിച്ചു് പൂര്ണ്ണമായ ശബ്ദോപകരണം ഉണ്ടാക്കുന്നു. സ്റ്റൈല്സ് 2 മനുഷ്യഭാഷാ വ്യത്യനത്തിന്റെ മുഴുവന് വ്യത്യനവും കൈമാറ്റം നേടുന്നതിനായി ഡിഡിറ്റൂസൈന്സിന് ശൈലി ഉപയോഗിക്കുന്നു.
Columbia University
MIT
ഇടത്തരം
en
4GB
ഇല്ല
4x
OpenVoice
Premium
MyShell. ഓപ്പണ്Voice ഓപ്പണ് വോയിസ്, ശബ്ദ നിയന്ത്രണം, വികാരം, താളം, ഓപ്പണ്, ഇടവേള, ആംഗ്യഭാഷ എന്നിവയുമായി ശബ്ദമിശ്രണോപാധികള് സജ്ജീകരിക്കുന്നു. ഇതു് ഒരു ചെറിയ ഓഡിയോ ക്ളൈപ്പ് ക്ലിപ്, പല ഭാഷകളില് നിന്നും ശബ്ദമുണ്ടാക്കുന്നു. ശബ്ദമിശ്രണം സൂക്ഷിക്കുന്നു. ശബ്ദമിശ്രണം മാറ്റാന് അനുവദിക്കുന്നു, ശബ്ദക്രമം അനുവദിക്കുന്നു.
MyShell.ai / MIT
MIT
ഇടത്തരം
en, zh, ja, ko, fr, es
4GB
അതെ
4x
Qwen3 TTS
Standard
ക്വെന്3-TTS എന്നത് അലിബാ ക്വെന് ടീമില് നിന്നുള്ള 1.7 ബില്ല്യണ് ഡിസൈനുകള് ആണ്. ഇത് രണ്ടു രീതിയില് പിന്തുണയ്ക്കുന്നു: കണ്സെറ്റ് നിയന്ത്രണം (9 സംസാരകര്), നിങ്ങള്ക്ക് സ്വാഭാവിക ഭാഷയില് വിശദീകരിക്കുന്ന ഒരു അസാധാരണമായ ശബ്ദ രീതി. അത് 10 ഭാഷകളോടെയും സ്വാഭാവിക പ്രൊജക്ട്സും ഉള്ക്കൊള്ളുന്നു.
Alibaba (Qwen)
Apache 2.0
ഇടത്തരം
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
ഇല്ല
2x
VieNeu-TTS-v2
Standard
GGFFFACE QNEGACE- ല് CPURE- ല് CPUUREN- ല് നിര്മ്മിക്കപ്പെടേണ്ട തലമുറ, GPNUR- ല് നിര്മ്മിക്കുക QNUR- ല് നിര്മ്മിക്കുക
Phạm Nguyễn Ngọc Bảo
Apache 2.0
വേഗത
vi, en
CPU
അതെ
2x
Sesame CSM
Premium
സിഎസ്എം (സംഭാഷണഭാഷാ സംസാരം) സജ്ജീകരിക്കുന്നതിനുള്ള ഒരു ബില്യണ് പരാമീറ്റര് മോഡല് ആണ്. ഇതു് സമയോപകരണങ്ങള്, പിന്ഭാഗത്തുള്ള പ്രതികരണങ്ങള്, വൈകാരിക പ്രതികരണങ്ങള്, സംഭാഷണങ്ങള് എന്നിവ ഉള്ക്കൊള്ളുന്ന മനുഷ്യസഹജമായ സംഭാഷണരീതികള് ഉള്ക്കൊള്ളുന്നു. സിഎസ്എം സൃഷ്ട്ടിക്കുന്ന ശബ്ദത്തിനു പകരം സ്വാഭാവികമായൊരു സംഭാഷണം പോലെയുള്ള ശബ്ദങ്ങള് ഉണ്ടാക്കുന്നു.
Sesame
Apache 2.0
പതുക്കെ
en
8GB
ഇല്ല
4x
Chatterbox Turbo
Standard
ചാറ്റര്ബോ ട്രെയിലര് ടര്ബോ, ചാറ്റല് എയ്റ്റര് എ-ഐ- ല് നിന്നും ചാറ്റര്ബോയിലെ ഒരു 350M പരാമീറ്റര് അപ്ഗ്രേഷന് ആണ്. ഇതു് സബ്- ഡയറക്ടറി- മെഡിക്കല് ഉപയോഗിച്ചു് 6x- സമയം വേഗത നല്കുന്നു. [k], [cap], നേരിട്ട് ടെക്സ്റ്റില് ലഭ്യമാക്കിയ എല്ലാ ശബ്ദങ്ങളും ഉള്പ്പെടുത്തുന്നു.
Resemble AI
MIT
വേഗത
en
2GB
അതെ
2x
VoxCPM
Standard
ഓപ്പണ് ബിഎംഐ 1. 1 എന്ന ഓപ്പണ് ബിബിഎം ഉപയോഗിച്ചു് ഒരു നോവല്- ഫ്രീ ടിടിഎസ് മോഡല് ആണു്, ഇതു് ഡിസ്ട്രേറ്റിറ്റിന്റെ ലക്ഷണങ്ങള്ക്ക് പകരം നിരന്തരം സ്പെയിസിലാണു്. ഇതു് ഹൈഫൈല് ഓഡിയോ സജ്ജീകരിക്കുന്നു, 3- 10 സെക്കന്ഡുകളില് നിന്നു് നിന്നു് പൂജ്യമായ ശബ്ദങ്ങള് സജ്ജീകരിക്കുന്നു, പിന്നെ ഇംഗ്ലീഷ് സംസാരത്തിനും ഇംഗ്ലീഷ് ശബ്ദത്തിനും നിങ്ങള്ക്ക് അനുയോജ്യമാവും നല്കുന്നു.
OpenBMB
Apache 2.0
വേഗത
en, zh
4GB
അതെ
2x
Kani TTS 2
Free
കനി-TS-2 എന്ന ക്വെറി- എം- എംഎംഒസ്എംഎംഎംസ് മോഡല് ആണ്. ഇത് വെറും 3GB vNAMAM- vood- 10 സെക്കന്ഡുകളില് പ്രവര്ത്തിക്കുന്നതും ഒരു 1002 സെക്കന്ഡുകളില് നിന്ന് 1010 സെക്കന്ഡുകള് ഉല്പാദിപ്പിക്കുന്നതുമാണ്. ഇപ്പോള് പുറത്തുവരുന്ന ഒരു പൊതുവായ ഇംഗ്ലീഷ് - ബീജെന്ഡി-എം-എംഡി-എംസ്-എംഡി-എംഡിടിഎംഡി-എംബോഡിഗ് (RLORLORE) എന്ന ശബ്ദത്തെ ശബ്ദങ്ങള് കാണിക്കാന് ആവശ്യമില്ല.
NineNineSix
Apache 2.0
വേഗത
en
3GB
ഇല്ല
ഫ്രീ
OuteTTS
Free
പ്രത്യേക നിര്മ്മാണ കേന്ദ്രം സൂക്ഷിക്കുമ്പോള്, ടെക്സ്റ്റില് നിന്നും ഇന്സ്റ്റാള്സുമായി വലിയ ഭാഷാമാലകള് വിടുന്നു. Lama. Cc/ GPUP (CPU), ഹാന്ഡ് മോണിറ്ററുകള് (എക്സിഎം), എക്എംഎംഎഫ്എഫ്വിവ്യൂ (എക്സി), വിന്യാസുകള് (എക്എഫ്എഫ്എംഎസ്എംഎസ്) എന്നിവ ഉള്പ്പെടെ പല ബാക്കുകള് പിന്തുണയ്ക്കുന്നു. സ്പോണ്സര് പ്രൊഫൈല്സുകള് (ജോണ്സസ്സുകള്) എന്ന രീതിയില് ശബ്ദസജ്ജമാക്കിയുള്ള ശബ്ദകര്മ്മങ്ങള് (ജെസാന്).
OuteAI
Apache 2.0
പതുക്കെ
en
2GB
ഇല്ല
ഫ്രീ
VibeVoice
Standard
Microsofts-നുളള വിബ്യോസ് രണ്ടു രീതിയില് ലഭ്യമാകുന്നു: 1.5B മോഡും (മുഴുവനും 90 മിനിട്ട് വരെയുള്ള വരികള്), 1.5-നും (മുഴു ശബ്ദകര്ത്താവ്), 1.5-ആം സമയ മാതൃകയും 1.0-ആം ഓഡിയോ അഭ്യാസമുള്ള ആദ്യത്തെ ഓഡിയോ അക്കങ്ങള് നിര്മ്മിക്കുന്നു. കുറിപ്പുകാരന് സ്പാക്കില് നിന്നും ശബ്ദകര്ഷത്തില് നിന്നും ശബ്ദകര്ഷത്തില് നിന്നും മിക്നോട്ടണ് ടിടിഎസ് നിര്മ്മിച്ചു് ഉല്പാദിപ്പിക്കുന്ന ശബ്ദോപകരണങ്ങള് ഉല്പാദിപ്പിക്കുന്നു.
Microsoft
MIT
വേഗത
en, zh
4GB
ഇല്ല
2x
Pocket TTS
Free
ക്യുടി (മോടിയുടെ പ്രതിനിധികള്) പോക്കറ്റ് ടിഎസ് (മോഷിയുടെ പ്രതിനിധികള്) ഒരു കംപ്യൂട്ടര് റെക്കോര്ഡ്- ടെക്സ്- ടെക്സ്റ്റുകള് (കോണ്ക്കാറ്റില് കൂടുതല് തുളച്ചെടുക്കുന്ന ഒരു കംപ്യൂട്ടര് ടെക്സ്- ടെക്സ്- റൈല് അഗ്രമാക്കല്) ആണ്. ഇതു സിപിയുപിയു പ്രവര്ത്തിയ്ക്കു് പ്രാവര്ത്തികമായി പ്രവര്ത്തിപ്പിക്കുന്നു, ഒരു ഓഡിയോ മാതൃകയില് നിന്നും പൂജ്യ- ഹോട്ട് വോള്ഡിക്കോളുകള് പിന്തുണയ്ക്കുന്നു, സ്വാഭാവികമായ സംസാരങ്ങള് ഉല്പാദിപ്പിക്കുന്നു. ചെറിയ വലുപ്പവും താഴ്ന്ന പരിസ്ഥിതിയും സജ്ജീകരിക്കുന്നു.
Kyutai
MIT
വേഗത
en, fr
1GB
അതെ
ഫ്രീ
Kitten TTS
Free
KetenML- ല് നിര്മ്മിച്ച റ്റൈന് ടിടിഎസ്, ഓനെന്എംഎംഎല് നിര്മ്മിച്ച ക്യുഎം ഡിഫന്സ് (25- 80 എം- ടെര്മിനല്), സിപിയു- 80 പരാമീറ്റര് (diBയില്), സിപിയു- 8- ല് നിര്മ്മിക്കാവുന്ന ശബ്ദങ്ങള് ആവശ്യമില്ലാത്തതിനാല് സിപിയു- എംഎം- ല് ശബ്ദങ്ങള് നല്കുന്നു. വര്ഗ്ഗ- ശബ്ദങ്ങള്ക്കു് മാറ്റം വരുത്തുന്നു, ശബ്ദങ്ങള്, വര്ദ്ധിപ്പിക്കുന്നു, അക്ഷരങ്ങള്ക്കുള്ള മുന്കാഴ്ചകള്, അഗ്രകോടികരണങ്ങള്, അഡ്രചുരചുരുതമായ പ്രയോഗങ്ങള് എന്നിവയ്ക്കു് നല്കുന്നു.
KittenML
Apache 2.0
വേഗത
en
0GB
ഇല്ല
ഫ്രീ
CosyVoice3
Standard
അലിബാ ഓഡിയോൾഎം ടീമില് നിന്നും ഏറ്റവും പുതിയ പരിണാമം. ഇതു് ബാബായുടെ ഓഡിയോ ടീമില് നിന്നും ഏറ്റവും പുതിയ പരിണാമമാണു്. ഇതു്, 11150-ല് നിന്നുള്ള അഭ്യര്ത്ഥനാ നിയന്ത്രണം, പ്രബോധനം അടിസ്ഥാനമാക്കിയുള്ള നിയന്ത്രണം, ഹോട്ട്-ഹോട്ട്-ടൈന് കൂടുതല് വര്ദ്ധിച്ച ശബ്ദകര്മ്മങ്ങള്. 9 ഭാഷകളും, 18 ചൈനീസ് ഭാഷകളും പിന്തുണ ചെയ്യുന്നു.
Alibaba (FunAudioLLM)
Apache 2.0
വേഗത
en, zh, ja, ko, de, es, fr, it, ru
4GB
അതെ
2x
NAMAA Saudi TTS
Standard
NAMA സൗദി ടിടിഎസ് ഒരു സൗദി അറേബ്യൻ അറേബ്യൻ ആണ്. റെസിമുലയുടെ സപ്ലേറ്റ് ബോക്സില് ഉപയോഗിച്ചത്. അള്ജിയൻ സ്പീഷീസിനു് അപ്രസിദ്ധമായ സാംസ്ട്രേറ്റ് ഭാഷയും സാംസ്കാരിക സാറ്റലൈഡും ആംഗികമായ ഉച്ചഭാഷാരണം ഉണ്ടാക്കുന്നു. പാരക്രമണത്തിന്റെ ശബ്ദത്തിന്റെ ശബ്ദവും നിയന്ത്രണവും TTS.ai-ല്.
NAMAA Space
MIT
ഇടത്തരം
ar
6GB
അതെ
2x
Darwin TTS
Standard
Dargin-TTS- 1- 1. 7B - ഫ്ളൈന് - ബാഞ്ചിന്റെ വിശദാംശങ്ങള് ക്വെന്3-TTS-TS- 1- ല് (8.7% വര്ത്തമാനകര് ക്വെന്=3.6% യില് ചേര്ന്നവര്ക്ക് ക്വെന്-1-1. 7B-ആം-ആം വര്ണ്ണങ്ങള് തമ്മില് കൂട്ടിചേര്ത്തിരിക്കുന്നു. ഈ മിശ്രണങ്ങള് വീണ്ടും നിര്മ്മിക്കുകയും, കൊറിയന് വര്ദ്ധിപ്പിക്കുകയും, ചൈനീസ്, ജപ്പാന് കൂട്ടുകയും ചെയ്യുന്നു.
FINAL-Bench
Apache 2.0
ഇടത്തരം
en, ko, ja, zh
7GB
അതെ
2x
MOSS-TTSD
Standard
ഓപ്പണ് എസ്എസ്- ടിടിഎസ് vC. 0 ഓഡിയോയില് നിന്നും സംഭാഷണങ്ങള് തുടരുന്ന 7B ഡയലോഗ് അഭ്യര്ത്ഥനയാണ്. [S1], [S2] ല് നിന്നു് 5 [Shtt-2] ശബ്ദകര്ത്താവുകള് (S2], 3- 10 കുറിപ്പില് നിന്നും 60 വരെയുള്ള സജീവമായ ശബ്ദ സംവാദജാലകം, 20 ഭാഷകളില് നിന്നു് ഒരേ- ഘടികാരമായ 60 മിനിറ്റുകള് വരെയുള്ള ഒരു സംവാദജാലകം.
OpenMOSS
Apache 2.0
ഇടത്തരം
en, zh
12GB
അതെ
2x
Ming-Omni TTS
Free
Ming- stan- Maty- 0. 5B ആണ് ക്യാപ്- ബാക്ക്- എം- എം- മെഡല് നിര്മ്മിച്ച ഒരു കമ്പ്യൂട്ടര് സംസാര രീതി. ബ്രെയിം- ബൈം- പാത്ത്- പാഞ്ച്- ഡീലിങ് ഡീലര് ഉപയോഗിച്ച് നിര്മ്മിച്ചുള്ള ഒബ്ടൈമല് ആല്ഫോര്ഡ് ആല്ഫില്. റിഫയര് 44.41.44kH (ഏര്ഡ് സിഡിയുടെ ഗുണമേന്ഡി), 3++-ല് നിന്നും ല് നിന്നും പൂജ് - Shift-ല് ശബ്ദം സജ്ജമായുള്ള ശബ്ദത്തെ പിന്തുണയ്ക്കുന്നു. കൂടാതെ /BMEner contronser contrasting ons (cystem), J. JSyston onc. J. stonc. onc.
inclusionAI
Apache 2.0
ഇടത്തരം
en, zh
3GB
അതെ
ഫ്രീ
MOSS-TTS Nano
Free
MOS-TS-NON-100-NOS- ല് ഓപ്പണ് എംഎസ്-എം-പാറാര്ട്ടര് ആണ്, MOS-TS കുടുംബത്തിന്റെ 100- പാര്ട്ടി വര്ഗ്ഗമാറ്റം, ഇടവേളയുടെ നിര്മ്മാണ ഘടന പങ്കിടുന്നു. വ്യാപാരികള്, 180x-ആം ഭാരങ്ങള്ക്കുള്ള 8B മോഡല് മുന്തിയ ഗുണനിലവാരം പങ്കിടുന്നു. ഇത് സ്വതന്ത്രവും ഉയര്ന്ന പ്രൊജക്റ്റും ആയ VRAM-ഉപയോഗങ്ങള്ക്ക് അനുയോജ്യമാക്കുന്നു.
OpenMOSS
Apache 2.0
വേഗത
en, zh, de, es, fr, ja, it, ko, ru, ar, pt
2GB
അതെ
ഫ്രീ
Kokoro
ഫ്രീ
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
വേഗത
Piper
ഫ്രീ
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
വേഗത
VITS
ഫ്രീ
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
വേഗത
MeloTTS
ഫ്രീ
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
വേഗത
Kani TTS 2
ഫ്രീ
Kani-TTS-2 by NineNineSix is an ultra-lightweight 400M parameter model built on a Liquid AI LFM2 backbone with NVIDIA NanoCodec. It runs in just 3GB VRAM and produces ~10 seconds of speech in ~2 seconds on an A100 (RTF 0.2). The current public release ships an English-only `kani-tts-2-en` checkpoint and does not expose the speaker-embedding hook needed for voice cloning — use Chatterbox / IndexTTS2 / F5-TTS for cloning, or Kokoro / MeloTTS for non-English.
NineNineSix
Apache 2.0
വേഗത
OuteTTS
ഫ്രീ
OuteTTS extends large language models with text-to-speech capabilities while preserving the original architecture. It supports multiple backends including llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, and even browser inference via Transformers.js. Features zero-shot voice cloning through speaker profiles saved as JSON.
OuteAI
Apache 2.0
പതുക്കെ
Pocket TTS
ഫ്രീ
Pocket TTS by Kyutai (creators of Moshi) is a compact 100M parameter text-to-speech model that punches well above its weight. It runs efficiently on CPU, supports zero-shot voice cloning from a single audio sample, and produces natural-sounding speech. The small model size makes it ideal for edge deployment and low-resource environments.
Kyutai
MIT
വേഗത
Kitten TTS
ഫ്രീ
Kitten TTS by KittenML is an ultra-lightweight text-to-speech model built on ONNX. With variants from 15M to 80M parameters (25-80 MB on disk), it delivers high-quality voice synthesis on CPU without requiring a GPU. Features 8 built-in voices, adjustable speech speed, and built-in text preprocessing for numbers, currencies, and units. Ideal for edge deployment and low-latency applications.
KittenML
Apache 2.0
വേഗത
Ming-Omni TTS
ഫ്രീ
Ming-omni-tts-0.5B by inclusionAI is a compact omni-modal speech model built on the BailingMM dense backbone with a Patch-by-Patch flow-matching audio decoder. Delivers 44.1kHz output (near CD quality), supports zero-shot voice cloning from a 3+ second reference, and includes built-in emotion / dialect / BGM control via JSON instructions. Excellent stability — 0.83% WER on Chinese benchmarks.
inclusionAI
Apache 2.0
ഇടത്തരം
MOSS-TTS Nano
ഫ്രീ
MOSS-TTS-Nano-100M is OpenMOSS's compact 100M-parameter variant of the MOSS-TTS family, sharing the delay-transformer architecture. Trades the 8B model's peak quality for ~80x smaller weights and dramatically lower per-request VRAM, making it suitable for free-tier and high-throughput deployments. Same 20-language reach.
OpenMOSS
Apache 2.0
വേഗത
Bark
സ്റ്റാന്ഡേര്ഡ്
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
പതുക്കെ
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ഇല്ല
Bark Small
സ്റ്റാന്ഡേര്ഡ്
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
ഇടത്തരം
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
ഇല്ല
CosyVoice 2
സ്റ്റാന്ഡേര്ഡ്
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
ഇടത്തരം
en, zh, ja, ko, fr, de, it, es
അതെ
Dia TTS
സ്റ്റാന്ഡേര്ഡ്
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
ഇടത്തരം
en
ഇല്ല
Parler TTS
സ്റ്റാന്ഡേര്ഡ്
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
ഇടത്തരം
en
ഇല്ല
Indic Parler TTS
സ്റ്റാന്ഡേര്ഡ്
Indic Parler TTS by AI4Bharat extends the Parler architecture to Indian languages, generating natural speech in Tamil, Bengali, Marathi, Gujarati, Kannada, Punjabi, Odia, Assamese, Hindi, Telugu, Malayalam and English. Like Parler, you describe the voice you want in plain language and the model matches it — no preset voices required. Trained on AI4Bharat speech corpora for authentic pronunciation and prosody across the Indian subcontinent.
AI4Bharat
Apache 2.0
പതുക്കെ
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
ഇല്ല
KhanomTan TTS
സ്റ്റാന്ഡേര്ഡ്
KhanomTan TTS is an open Thai text-to-speech model built on the YourTTS multilingual architecture. Trained on CC0 and permissively-licensed Thai corpora (TSync) alongside several other languages, it delivers natural Thai speech with multiple speaker voices. A clean, commercially-usable option for Thai — the language most open TTS models only cover under non-commercial licenses.
Wannaphong Phatthiyaphaibun
Apache 2.0
വേഗത
th
ഇല്ല
IndexTTS-2
സ്റ്റാന്ഡേര്ഡ്
IndexTTS-2 is an advanced text-to-speech system that excels at zero-shot voice synthesis with fine-grained emotion control. It can generate speech with specific emotional tones like happy, sad, angry, or fearful without requiring emotion-specific training data. The model uses emotion vectors to precisely control the emotional expression of generated speech.
Index Team
Bilibili Model License
ഇടത്തരം
en, zh
അതെ
Spark TTS
സ്റ്റാന്ഡേര്ഡ്
Spark TTS by SparkAudio is a text-to-speech model that combines voice cloning with controllable emotion and speaking style. Using just 5 seconds of reference audio, it can clone a voice and then generate speech with different emotions, speeds, and styles while maintaining the cloned voice identity. Spark TTS uses a prompt-based control system.
SparkAudio
CC BY-NC-SA 4.0
ഇടത്തരം
en, zh
അതെ
GPT-SoVITS
സ്റ്റാന്ഡേര്ഡ്
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
പതുക്കെ
en, zh, ja, ko
അതെ
Orpheus
സ്റ്റാന്ഡേര്ഡ്
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
ഇടത്തരം
en
ഇല്ല
Qwen3 TTS
സ്റ്റാന്ഡേര്ഡ്
Qwen3-TTS is a 1.7 billion parameter text-to-speech model from Alibaba's Qwen team. It supports two modes: preset voices with emotion control (9 speakers), and a unique voice design mode where you describe the voice you want in natural language. It covers 10 languages with high expressiveness and natural prosody.
Alibaba (Qwen)
Apache 2.0
ഇടത്തരം
en, zh, ja, ko, de, fr, ru, pt, es, it
ഇല്ല
VieNeu-TTS-v2
സ്റ്റാന്ഡേര്ഡ്
VieNeu-TTS-v2 is a 300M parameter Vietnamese-first TTS model trained on 10,000+ hours of bilingual data. It supports seamless en-vi code-switching, 7 preset voices spanning Northern and Southern accents, and instant voice cloning from 3-5 seconds of reference audio. Runs entirely on CPU via GGUF Q4 inference + ONNX audio decoder — no GPU needed, generations finish in ~7 seconds. Built on a Qwen3 backbone.
Phạm Nguyễn Ngọc Bảo
Apache 2.0
വേഗത
vi, en
അതെ
Chatterbox Turbo
സ്റ്റാന്ഡേര്ഡ്
Chatterbox Turbo by Resemble AI is a 350M parameter upgrade to Chatterbox, delivering up to 6x real-time speed with sub-200ms latency. It supports paralinguistic tags like [laugh], [cough], and [chuckle] directly in text. Includes Perth watermarking on all generated audio for provenance tracking.
Resemble AI
MIT
വേഗത
en
അതെ
VoxCPM
സ്റ്റാന്ഡേര്ഡ്
VoxCPM 1.5 by OpenBMB is a novel tokenizer-free TTS model that operates in continuous space rather than discrete tokens. It produces high-fidelity 44.1kHz audio, supports zero-shot voice cloning from 3-10 seconds, and maintains consistency across paragraphs. Cross-language cloning lets you apply an English voice to Chinese speech and vice versa.
OpenBMB
Apache 2.0
വേഗത
en, zh
അതെ
VibeVoice
സ്റ്റാന്ഡേര്ഡ്
VibeVoice from Microsoft generates long-form speech up to 90 minutes with support for 4 simultaneous speakers, making it ideal for podcasts and dialogues. The Realtime 0.5B variant achieves ~300ms latency for interactive use. Supports speaker tags for multi-turn dialogue generation.
Microsoft
MIT
വേഗത
en, zh
ഇല്ല
NAMAA Saudi TTS
സ്റ്റാന്ഡേര്ഡ്
NAMAA Saudi TTS is a Saudi Arabic fine-tune of Resemble AI's ChatterboxMultilingual. Trained by NAMAA Space on authentic Saudi-dialect speech, it produces natural Modern Standard Arabic and Saudi colloquial pronunciation that generic multilingual models cannot match. Inherits Chatterbox's zero-shot voice cloning and emotion control via reference audio prompts. The first open-weights Arabic TTS deployed on TTS.ai.
NAMAA Space
MIT
ഇടത്തരം
ar
അതെ
Darwin TTS
സ്റ്റാന്ഡേര്ഡ്
Darwin-TTS-1.7B-Cross by FINAL-Bench is a research variant of Qwen3-TTS-1.7B where 84 talker-FFN tensors (8.6%) are blended at α=3% with the matching tensors from Qwen3-1.7B-Base. The blend is built without retraining and produces noticeably crisper cross-lingual voice cloning across Korean, English, Japanese, and Chinese. Operates in zero-shot voice-clone mode (3 seconds reference audio).
FINAL-Bench
Apache 2.0
ഇടത്തരം
en, ko, ja, zh
അതെ
MOSS-TTSD
സ്റ്റാന്ഡേര്ഡ്
MOSS-TTSD v1.0 from OpenMOSS is a 7B dialogue text-to-speech model that continues conversations from a short audio prompt. Supports up to 5 simultaneous speakers via [S1]/[S2] tags, zero-shot voice cloning from 3-10s reference audio, and up to 60 minutes of coherent multi-turn dialogue across 20 languages. Distinct from MOSS-TTS — TTSD is specialized for podcast/audiobook/dubbing workflows.
OpenMOSS
Apache 2.0
ഇടത്തരം
en, zh
അതെ
Chatterbox
പ്രിമിയം
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
ഇടത്തരം
en
അതെ
4GB
4x
Tortoise TTS
പ്രിമിയം
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
പതുക്കെ
en
അതെ
8GB
4x
StyleTTS 2
പ്രിമിയം
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
ഇടത്തരം
en
ഇല്ല
4GB
4x
OpenVoice
പ്രിമിയം
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
ഇടത്തരം
en, zh, ja, ko, fr, es
അതെ
4GB
4x
Sesame CSM
പ്രിമിയം
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
പതുക്കെ
en
ഇല്ല
8GB
4x
മോഡല് താരതമ്യം ടേബിള്
| മോഡ് | രചയിതാവു്: | ടിയെര് | നിലവാരം: | വേഗത | ഭാഷകള് | ശബ്ദ ക്ളൈനിങ്ങ് | വാറം | അനുമതി: | പാരമ്പര്യങ്ങള് | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | വേഗത | 8 | 1.5GB | Apache 2.0 | ഫ്രീ | ഉപയോഗിക്കുക | ||
| Piper | Rhasspy | Free | വേഗത | 42 | 0 (CPU only) | MIT | ഫ്രീ | ഉപയോഗിക്കുക | ||
| VITS | Jaehyeon Kim et al. | Free | വേഗത | 11 | 1GB | MIT | ഫ്രീ | ഉപയോഗിക്കുക | ||
| MeloTTS | MyShell.ai | Free | വേഗത | 6 | 0.5GB (GPU optional) | MIT | ഫ്രീ | ഉപയോഗിക്കുക | ||
| Bark | Suno | Standard | പതുക്കെ | 13 | 5GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| Bark Small | Suno | Standard | ഇടത്തരം | 13 | 2GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | ഇടത്തരം | 8 | 4GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| Dia TTS | Nari Labs | Standard | ഇടത്തരം | 1 | 4GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| Parler TTS | Hugging Face | Standard | ഇടത്തരം | 1 | 4GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| Indic Parler TTS | AI4Bharat | Standard | പതുക്കെ | 12 | 8GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| KhanomTan TTS | Wannaphong Phatthiyaphaibun | Standard | വേഗത | 1 | 2GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| IndexTTS-2 | Index Team | Standard | ഇടത്തരം | 2 | 4GB | Bilibili Model License | 2 | ഉപയോഗിക്കുക | ||
| Spark TTS | SparkAudio | Standard | ഇടത്തരം | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | ഉപയോഗിക്കുക | ||
| GPT-SoVITS | RVC-Boss | Standard | പതുക്കെ | 4 | 6GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| Orpheus | Canopy Labs | Standard | ഇടത്തരം | 1 | 4GB | Llama 3.2 Community | 2 | ഉപയോഗിക്കുക | ||
| Chatterbox | Resemble AI | Premium | ഇടത്തരം | 1 | 4GB | MIT | 4 | ഉപയോഗിക്കുക | ||
| Tortoise TTS | James Betker | Premium | പതുക്കെ | 1 | 8GB | Apache 2.0 | 4 | ഉപയോഗിക്കുക | ||
| StyleTTS 2 | Columbia University | Premium | ഇടത്തരം | 1 | 4GB | MIT | 4 | ഉപയോഗിക്കുക | ||
| OpenVoice | MyShell.ai / MIT | Premium | ഇടത്തരം | 6 | 4GB | MIT | 4 | ഉപയോഗിക്കുക | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | ഇടത്തരം | 10 | 7GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| VieNeu-TTS-v2 | Phạm Nguyễn Ngọc Bảo | Standard | വേഗത | 2 | CPU | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| Sesame CSM | Sesame | Premium | പതുക്കെ | 1 | 8GB | Apache 2.0 | 4 | ഉപയോഗിക്കുക | ||
| Chatterbox Turbo | Resemble AI | Standard | വേഗത | 1 | 2GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| VoxCPM | OpenBMB | Standard | വേഗത | 2 | 4GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| Kani TTS 2 | NineNineSix | Free | വേഗത | 1 | 3GB | Apache 2.0 | ഫ്രീ | ഉപയോഗിക്കുക | ||
| OuteTTS | OuteAI | Free | പതുക്കെ | 1 | 2GB | Apache 2.0 | ഫ്രീ | ഉപയോഗിക്കുക | ||
| VibeVoice | Microsoft | Standard | വേഗത | 2 | 4GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| Pocket TTS | Kyutai | Free | വേഗത | 2 | 1GB | MIT | ഫ്രീ | ഉപയോഗിക്കുക | ||
| Kitten TTS | KittenML | Free | വേഗത | 1 | 0GB | Apache 2.0 | ഫ്രീ | ഉപയോഗിക്കുക | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | വേഗത | 9 | 4GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| NAMAA Saudi TTS | NAMAA Space | Standard | ഇടത്തരം | 1 | 6GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| Darwin TTS | FINAL-Bench | Standard | ഇടത്തരം | 4 | 7GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| MOSS-TTSD | OpenMOSS | Standard | ഇടത്തരം | 2 | 12GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| Ming-Omni TTS | inclusionAI | Free | ഇടത്തരം | 2 | 3GB | Apache 2.0 | ഫ്രീ | ഉപയോഗിക്കുക | ||
| MOSS-TTS Nano | OpenMOSS | Free | വേഗത | 11 | 2GB | Apache 2.0 | ഫ്രീ | ഉപയോഗിക്കുക |
സംസാര പ്ലാറ്റിലെ ഏറ്റവും വിപുലമായ പാഠം
വായനയ്ക്കായി TTS.ai പേരെ തിരഞ്ഞെടുക്കേണ്ടത് എന്തുകൊണ്ട്?
TTS.ai ലോകത്തിന്റെ ഏറ്റവും നല്ല തുറന്ന് തുറക്കുന്ന ലിപ്റ്ററി മോഡലുകളെ ഒരു ശബ്ദ എഞ്ചില് പൂട്ടിയതുപോലെയല്ല, TTS.ai 88+ മോഡലുകള്, നിങ്ങള്ക്ക് കോക്വി, ഷ്യോ, എംഫിയ, എൻടിഐഎ, സുനിവോ, സൊന്, സൊന്ഡ്യു, റ്റൂ, റ്റംഗ്വ സര്വകവ സർവകലാശാലയില് നിന്നും നിങ്ങള്ക്ക് 20+ മോഡലുകള് നല്കുന്നു.
എല്ലാ മോഡലും എംടി, അപ്പാച്ചര് 2.0 അല്ലെങ്കില് സമാനമായ റെസ്ട്രിക് ലൈസന്സ് ആണ്, നിങ്ങളുടെ പ്രോജക്ടുകളില് നിര്മ്മിക്കപ്പെട്ടിട്ടുള്ള ശബ്ദോപകരണങ്ങള് ഉപയോഗിക്കാന് നിങ്ങള്ക്ക് വാണിജ്യ അവകാശങ്ങള് ഉണ്ട്. നിങ്ങള്ക്ക് വേഗത്തില്, ശബ്ദപുസ്തകങ്ങള്ക്കും പോര്ച്ചുഗലുകളുടെയും സ്റ്റുഡിയോ- സ്റ്റുഡിയോ ഔട്ട്ഡിയോ ഔട്ട്പുട്ടുകള്ക്ക് വേണ്ടിയുള്ള ഇന്സെറ്റ് ഔട്ട്പുട്ട് ഔട്ട്പുട്ടുകള് ആവശ്യമുണ്ടെങ്കില്, TTS.ai-000 എല്ലാ പ്രയോഗങ്ങള്ക്കും ശരിയായ മാതൃകയാണു്.
സ്വതന്ത്ര മോഡലുകൾ, അക്കൗണ്ട് ആവശ്യമില്ല
മൂന്നു സ്വതന്ത്ര ടിടിഎസ് മോഡലുകള് ഉപയോഗിച്ച് ഉടന് തുടങ്ങുക: Pyper (വലിപ്പം, ഭാരം കുറഞ്ഞത്), വി. ടി. യും (മുന്കുലമായ നോര്മല് നോര്- വിന്സ്), മെലോടിറ്റസ് സിന്സിസ് (മള്ട്ടി- ഭാഷ പിന്തുണ). ഒരു ഒപ്പോ, ക്രെഡിറ്റ് കാര്ഡിറ്റ് കാർഡോ, തലമുറകളില് പരിധികളില്ല. സ്വതന്ത്ര മോഡല്, ഇംഗ്ലീഷ്, പല ഭാഷകളും ഇംഗ്ലീഷ്, പല പ്രയോഗങ്ങള്ക്ക് അനുയോജ്യമായ ഫലങ്ങള് നല്കുന്നു.
GPU- അപ്രതീക്ഷിതമായ പ്രക്രിയ
എല്ലാ TTS മോഡലുകളും സ്പെഷ്യല് എടിഐഐഐഎ ജിപിയു പിയുഎസ് ല് വേഗതയും അനുസൃതമായ തലമുറകള്ക്കായി പ്രവര്ത്തിക്കുന്നു. സ്വതന്ത്ര മോഡലുകള് കൊക്കോറോ, കോസിവോസ്2, ബാര്ക്ക് ശരാശരി 3-5 സെക്കന്ഡുകള്. ടോര്ട്ടോയിസ്, ചാറ്റര്ട്ടര്ബോള് പോലുള്ള ഏറ്റവും കൂടിയ ഗുണമേന്മമായ മാതൃകകള് 5-15 സെക്കന്ഡുകളില് നല്കുന്നു.
30+ ഭാഷകള് പിന്തുണയ്ക്കുന്നു
ഇംഗ്ലീഷില്, സ്പാനിഷ്, ഫ്രഞ്ച്, ജര്മ്മന്, പോര്ച്ചുഗീസ്, ചൈനീസ്, ചൈനീസ്, കൊറിയ, ഹിന്ദി, ഹിന്ദി, റഷ്യന് തുടങ്ങിയ 30 - ലേറെ ഭാഷകളില് സംസാരം നിര്മ്മിക്കുക. പല മോഡല്കാര്ക്കും ഒരു ഭാഷയില് പിന്തുണയുണ്ട്. നിങ്ങള്ക്ക് സംസാരിക്കാന് കഴിയും.
രചയിതാവു്, റീഡ്ഡി API
ഞങ്ങളുടെ ഓപ്പണ് എയ്ഐ- യോജിപ്പുള്ള TTS.ai പ്രവര്ത്തിപ്പിക്കുക. ഒരു അവസാനം, 20+ മോഡലുകള്ക്ക്. പൈത്തോണ്, സി. എം.ജി. എസ്.എം.എം. എസ്.എം.എം. സി. എസ്. എം. എസ്.എം. സി. എസ്.
പലപ്പോഴും ചോദിക്കപ്പെടുന്ന ചോദ്യങ്ങൾ
നിങ്ങളുടെ പ്രതികരണം പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ നമ്മെ സഹായിക്കുന്നു.
സംസാരത്തിലേക്കു് വാചകം മാറ്റി ആരംഭിക്കുക
TTS.ai ഉപയോഗിച്ച് ആയിരക്കണക്കിന് രൂപകൽപ്പനക്കാരോടൊപ്പം ചേരുക 15,000 ലിപികള് ഒരു പുതിയ അക്കൗണ്ടില് ചേര്ക്കുക. ഫ്രീ മോഡല് മാര്ക്കറ്റില് ഒപ്പു വെക്കാതെ.