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>
പ്രസവത്തെ ബാധിക്കുന്ന വികാര സൂചനകൾ (മോഡം പിന്തുണ വ്യത്യാസം):
ഇഷ്ടപ്പെട്ട ഉച്ചാരണം നിര്വ്വചിക്കുക (വാക്ക് = ഉച്ചാരണം):
സാമ്പിളിന്റെ വിശദാംശങ്ങള്
Chatterbox Turbo
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.
| രചയിതാവു്: | Resemble AI |
| അനുമതി: | MIT |
| വേഗത | Fast |
| നിലവാരം: | |
| ഭാഷകള് | 1 ഭാഷ |
| വാറം | 2GB |
| ശബ്ദ ക്ളൈനിങ്ങ് | പിന്തുണ |
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 | 1 കെ അക്ഷരങ്ങളുടെ 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
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
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
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)
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
Fast
en, zh, ja, ko
1GB
ഇല്ല
ഫ്രീ
MeloTTS
Free
Mylottts ആണ് ഇംഗ്ലീഷ്, ബ്രിട്ടീഷ്, ബ്രിട്ടീഷ്, ഓസ്ട്രേലിയ, സ്പാനിഷ്, ചൈനീസ്, ചൈനീസ്, കൊറിയന് പിന്തുണയുള്ള ഒരു ബഹുഭാഷാ ലൈബ്രറി. സിപിയു-ടൈം-ടൈം-ടൈം വേഗതക്കു സമീപത്തുള്ള പാഠം വളരെ വേഗത്തില് പ്രവര്ത്തിക്കുന്നു.
MyShell.ai
MIT
Fast
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
Slow
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
Medium
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
Medium
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
Medium
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
Medium
en
4GB
ഇല്ല
2x
GLM-TTS
Standard
Shipa AI- ന്റെ GLM-TTS ഒരു ലേഖന- വായനാ സിസ്റ്റം ആണ്. ലാമാ- വായനാ നിര്മ്മാണ സംവിധാനത്തില് ചേര്ച്ചയേറിയ ഒരു ലേഖന- വായനാ നിര്മ്മാണ വ്യവസ്ഥയാണ്. അതു് ഏറ്റവും കൃത്യമായ ഉച്ചാരണം ഉല്പാദിപ്പിക്കുന്നു. glM-TS ഇംഗ്ലീഷ്, ഇംഗ്ലീഷ്, ചൈനീസ് 3- 10 സെക്കന്ഡറുകളില് നിന്നുള്ള ശബ്ദസഞ്ചയങ്ങള് ഉപയോഗിച്ച് പിന്വലിക്കുന്നു.
Zhipu AI
GLM-4 License
Medium
en, zh
4GB
അതെ
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
Medium
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
Medium
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 സിന്സെന്സിസിസിസ് (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
Slow
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
Medium
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
Medium
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
Slow
en
8GB
അതെ
4x
StyleTTS 2
Premium
സ്റ്റൈല്ടിടിഎസ് 2 മാനവ- ലെ ലെ ലെമെന്റ് ടിടിഎസ് സിന്സിസ് (TTTTS), 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
Medium
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
Medium
en, zh, ja, ko, fr, de, es, it
4GB
അതെ
4x
Qwen3 TTS
Standard
ക്വെന്3-TS എന്നത് അലിബാ ക്വെന് ടീമില് നിന്നുള്ള 1.7 ബില്ല്യണ് പരാമീറ്റര് ടെക്സ്- മെഡിക്കല് അലിബാ ക്വെന് ടീമില് നിന്നും. ഇതു് മൂന്നു രീതിയില് പിന്തുണയ്ക്കുന്നു: കണ്സ്ട്രേഷന് (വിവരം), ശബ്ദവിവരം, ശബ്ദത്തിന്റെ 3 സെക്കന്ഡുകളില് നിന്നു് (9 സംസാരകര്), നിങ്ങള്ക്ക് സ്വാഭാവിക ഭാഷയില് വിശദീകരിക്കുന്ന ഒരു അസാധാരണമായ ശബ്ദ രീതി. അത് 10 ഭാഷകളാല്, പ്രകൃതിയില്, പ്രകൃതിയില്, സ്വാഭാവികമായി പ്രവര്ത്തനസജ്ജം എന്നിവ ഉള്പ്പെടുന്നു.
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
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
Slow
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
Fast
en
2GB
അതെ
2x
Zonos
Standard
സോണോസ് v1. സോനോസ് vCE. സന്തോഷത്തിനും, കോപത്തിനും, ദുഃഖത്തിനും, വിസ്മയത്തിനും വേണ്ടിയുള്ള സ്ലൈഡറുകളുമായി ചേര്ക്കുന്ന ഒരു 160B പരാമീറ്റര് മാതൃകയാണ്. അത് ഒരു പരിവര്ത്തനംകാരനും എസ്എസ്എം (കൂര്-സ്പെയിസ്) മാതൃകയും ഏര്പ്പാടും ഏര്പ്പാടില് 200K++-ടൈല് നിന്നും 1030 സെക്കന്ഡില് നിന്ന് വോള്ഡ്-ടൈല് ശബ്ദവിവരം നല്കുന്നു.
Zyphra
Apache 2.0
Medium
en, ja, zh, fr, de
6GB
അതെ
2x
Dia 2
Standard
[S1] [S2], [S2] എന്നീ വര്ത്തമാനങ്ങള്ക്കുള്ള ഡയലോഗ് പിന്തുണക്കുന്നു.
Nari Labs
Apache 2.0
Fast
en
4GB
ഇല്ല
2x
VoxCPM
Standard
ഓപ്പണ് ബിഎംഎംഎംഐ 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
Fast
en, zh
4GB
അതെ
2x
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
Fast
en
2GB
അതെ
ഫ്രീ
TADA
Standard
TAA (Text- Access Audican AI) ഹ്യൂമ (Textic AI), ലോമ 3.2- ല് നിര്മ്മിച്ച ഒരു ജോഡി യോക്കേഷന് നിര്മ്മിച്ച ഒരു നോവലിലെ രൂപകല്പനയില് ദ്രാവകങ്ങള് നീക്കം ചെയ്യുന്ന ഒരു ഡയറ്റക്റ്റ് ഡിറ്റക്റ്റ് മാതൃകയാണ്.
Hume AI
MIT
Fast
en
5GB
ഇല്ല
2x
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
Fast
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- ഹോട്ട്- ഹോട്ട് വോള് വോള് വോള്ഡിക്കോളുകള് പിന്തുണയ്ക്കുന്നു, സ്വാഭാവികമായ സംസാരങ്ങള് ഉല്പാദിപ്പിക്കുന്നു. ചെറിയ വലുപ്പവും താഴ്ന്ന പരിസ്ഥിതിയും സജ്ജീകരിക്കുന്നു.
Kyutai
MIT
Fast
en, fr
1GB
അതെ
ഫ്രീ
Kitten 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.
KittenML
Apache 2.0
Fast
en
0GB
ഇല്ല
ഫ്രീ
CosyVoice3
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.
Alibaba (FunAudioLLM)
Apache 2.0
Fast
en, zh, ja, ko, de, es, fr, it, ru
4GB
അതെ
2x
MOSS-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.
OpenMOSS
Apache 2.0
Medium
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
16GB
അതെ
4x
MegaTTS3
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.
ByteDance
Apache 2.0
Slow
en, zh
8GB
അതെ
4x
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
Fast
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
Fast
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
Fast
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
Fast
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
Fast
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
Fast
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
Fast
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
Slow
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
Medium
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
Medium
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
Medium
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
Medium
en
ഇല്ല
GLM-TTS
സ്റ്റാന്ഡേര്ഡ്
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.
Zhipu AI
GLM-4 License
Medium
en, zh
അതെ
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
Medium
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
Medium
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
Slow
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
Medium
en
ഇല്ല
Qwen3 TTS
സ്റ്റാന്ഡേര്ഡ്
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
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
Fast
en
അതെ
Zonos
സ്റ്റാന്ഡേര്ഡ്
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.
Zyphra
Apache 2.0
Medium
en, ja, zh, fr, de
അതെ
Dia 2
സ്റ്റാന്ഡേര്ഡ്
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).
Nari Labs
Apache 2.0
Fast
en
ഇല്ല
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
Fast
en, zh
അതെ
TADA
സ്റ്റാന്ഡേര്ഡ്
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.
Hume AI
MIT
Fast
en
ഇല്ല
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
Fast
en, zh
ഇല്ല
CosyVoice3
സ്റ്റാന്ഡേര്ഡ്
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.
Alibaba (FunAudioLLM)
Apache 2.0
Fast
en, zh, ja, ko, de, es, fr, it, ru
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
Medium
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
Slow
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
Medium
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
Medium
en, zh, ja, ko, fr, de, es, it
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
Slow
en
ഇല്ല
8GB
4x
MOSS-TTS
പ്രിമിയം
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.
OpenMOSS
Apache 2.0
Medium
en, zh, de, es, fr, ja, it, hu, ko, ru, fa, ar, pl, pt, cs, da, sv, el, tr
അതെ
16GB
4x
MegaTTS3
പ്രിമിയം
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.
ByteDance
Apache 2.0
Slow
en, zh
അതെ
8GB
4x
മോഡല് താരതമ്യം ടേബിള്
| മോഡ് | രചയിതാവു്: | ടിയെര് | നിലവാരം: | വേഗത | ഭാഷകള് | ശബ്ദ ക്ളൈനിങ്ങ് | വാറം | അനുമതി: | പാരമ്പര്യങ്ങള് | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | ഫ്രീ | ഉപയോഗിക്കുക | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | ഫ്രീ | ഉപയോഗിക്കുക | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | ഫ്രീ | ഉപയോഗിക്കുക | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | ഫ്രീ | ഉപയോഗിക്കുക | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| GLM-TTS | Zhipu AI | Standard | Medium | 2 | 4GB | GLM-4 License | 2 | ഉപയോഗിക്കുക | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Bilibili Model License | 2 | ഉപയോഗിക്കുക | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | ഉപയോഗിക്കുക | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | ഉപയോഗിക്കുക | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | ഉപയോഗിക്കുക | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | ഉപയോഗിക്കുക | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | ഉപയോഗിക്കുക | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | ഉപയോഗിക്കുക | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | ഉപയോഗിക്കുക | ||
| Chatterbox Turbo | Resemble AI | Standard | Fast | 1 | 2GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| Zonos | Zyphra | Standard | Medium | 5 | 6GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| Dia 2 | Nari Labs | Standard | Fast | 1 | 4GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| VoxCPM | OpenBMB | Standard | Fast | 2 | 4GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| OuteTTS | OuteAI | Free | Fast | 1 | 2GB | Apache 2.0 | ഫ്രീ | ഉപയോഗിക്കുക | ||
| TADA | Hume AI | Standard | Fast | 1 | 5GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| VibeVoice | Microsoft | Standard | Fast | 2 | 4GB | MIT | 2 | ഉപയോഗിക്കുക | ||
| Pocket TTS | Kyutai | Free | Fast | 2 | 1GB | MIT | ഫ്രീ | ഉപയോഗിക്കുക | ||
| Kitten TTS | KittenML | Free | Fast | 1 | 0GB | Apache 2.0 | ഫ്രീ | ഉപയോഗിക്കുക | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | Fast | 9 | 4GB | Apache 2.0 | 2 | ഉപയോഗിക്കുക | ||
| MOSS-TTS | OpenMOSS | Premium | Medium | 19 | 16GB | Apache 2.0 | 4 | ഉപയോഗിക്കുക | ||
| MegaTTS3 | ByteDance | Premium | Slow | 2 | 8GB | Apache 2.0 | 4 | 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, സുനിവോ, 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. ടി. 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 പ്രയോഗങ്ങള്ക്ക് വേണ്ടിയുള്ള പ്രവര്ത്തികള്ക്ക് വേണ്ടി മാറ്റിവെയ്ക്കുക. ഒരു അവസാനം 20+ മോഡലുകള്ക്ക്. പൈഥണ്, സി. എം.ജി. സി. എം. എസ്.എ.എം. സി. എസ്. എം. എസ്. എം. എം.
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.