Мэдээллийг сонсохComment
Мэдээллийг нээлттэй эхийн AI загвар ашиглан өнгөц сонсогдох ярианд хөрвүүл. Үнэгүй, бүртгэл шаардахгүй.
Тодорхой хяналтын тулд SSML тэмдгээр текстээ буулгах:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Сэтгэл хөдлөл илэрхийлэгчийг нэмэх (модель тусламж өөрчлөгдөнө):
Өөрийн дуудлагыг тодорхойлох (үг = дуудлага):
Тодорхойлолтууд
IndexTTS-2
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.
| Хөгжүүлэгч: | Index Team |
| Лиценз: | Bilibili Model License |
| Хурд | Medium |
| Чадал: | |
| хэл | 2 хэлээр |
| Видео санах ой | 4GB |
| Хөгжүүлэгч | Тусламжтай |
Сайн үр дүнд хүрэх зөвлөгөөнүүд
- Тодорхойлолт, дууны өнгөний хувьд зөв бичлэгийг ашиглах
- Тоон болон товчлолуудыг зөв унших
- Хэсэгүүдийн хооронд богино завсарлага хийхэд ком нэмнэ
- Дутуу цэг (...) - ийг удаан зогсолт хийхэд ашиглана уу
- Кокоро эсвэл CosyVoice 2-г туршаад үзээрэй
- Dia-г олон дуут яриа болон подкастын агуулгад ашиглана
Бүх тэмдэгтүүд
| Үхрийн | 1K тэмдэгтийн үнэ |
|---|---|
| Чөлөөт | 0 кредит (хязгааргүй) |
| Стандарт | 2 кредит / 1K тэмдэгт |
| Дээд зэрэглэлийн | 4 кредит / 1K тэмдэгт |
AI текстээс яриа руу хэрхэн ажилладаг вэ
Гурван энгийн алхмаар мэргэжлийн чанартай дуу хоолойг үүсгэнэ. Техникийн мэдлэг шаардахгүй.
Таны бичлэгийг оруулна уу
Тоглоомын сэдэв
Модель ба дууг сонгоно уу
20+ AI загвараас сонгох боломжтой. Таны агуулгад тохирох дууг сонго, зорилготой хэлийг сонго, тоглуулалтын хурдыг 0.5x-ээс 2.0x хүртэл тохируулах, мөн хүссэн гаралтын форматаа (MP3, WAV, OGG, эсвэл FLAC) сонгоно уу.
Суулгах ба татаж авах
Бүтээх товчийг дарахад таны аудио секундын дотор бэлэн болно. Бүтээгдэхүүн доторх тоглогчоор урьдчилан үзэх, өөрийн сонгосон форматаар татаж авах, эсвэл хуваалцах холбоосыг хуулбарлах. API-г багц боловсруулалт болон ажлын явцад нэгтгэх зорилгоор ашиглана уу.
Мэдээллийг ярианд хөрвүүлэх
AI-powered text-to-speech нь олон салбарт хүмүүс хэрхэн аудио контент бүтээж, хэрэглэж, харилцаж байгааг өөрчилж байна.
Бүх текстээс яриа болгох загварууд
TTS.ai дээрх бүх AI загваруудын дэлгэрэнгүй тодорхойлолтууд. Таны төсөлд тохирох загварыг олохын тулд чанар, хурд, хэлний дэмжлэг, шинж чанаруудыг харьцуулж үзнэ үү.
Kokoro
Free
Kokoro нь 82 сая параметртэй, өөрийн жингийн ангилалд багтах чадвартай текст- рүү- яриа загвар юм. Энэ нь жижигхэн боловч, гайхалтай, илэрхийлэлтэй яриаг гаргаж өгдөг. Kokoro нь Англи, Япон, Хятад, Солонгос зэрэг олон хэлийг дэмждэг бөгөөд олон янзын илэрхийлэлтэй дуу хоолойг гаргаж өгдөг. Энэ нь маш хурдан ажилладаг - график процессор дээрх бодит цагаасаа 100 дахин хурдан дуу үүсгэдэг.
Hexgrad
Apache 2.0
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
1.5GB
Үгүй
Чөлөөт
Piper
Free
Piper бол Rhasspy- ийн боловсруулсан VITS болон larynx архитектуруудыг ашигласан хөнгөн жинтэй текст- рүү- яриа хөдөлгүүр юм. Энэ нь бүхэлдээ CPU дээр ажилладаг, үүнийг edge төхөөрөмжүүд, гэр ахуйн автоматжуулалт, болон холбоогүй TTS шаарддаг програмуудад тохиромжтой болгодог. 30+ хэл дээр 100+ дуу хоолойтой Piper нь Raspberry Pi 4 дээр ч гэсэн бодит цаг хугацаанд байгалийн дуу авиаг хүргэдэг.
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)
Үгүй
Чөлөөт
VITS
Free
VITS (Variation Inference with adversarial learning for end- to- end Text- to- Speech) нь одоогийн хоёр шаттай загваруудаас илүү нарийн сонсогдох дууг гаргаж авах параллель төгсгөлөөс төгсгөл хүртэлх TTS арга юм. Энэ нь хэвийн урсгал болон өрсөлдөгч сургалтын үйл явцаар сайжруулсан variation inference- ийг ашиглан, нарийн сонсогдох байдлыг ихээхэн сайжруулдаг.
Jaehyeon Kim et al.
MIT
Fast
en, zh, ja, ko
1GB
Үгүй
Чөлөөт
MeloTTS
Free
MyShell. ai- ийн MeloTTS нь олон хэлний TTS library бөгөөд Англи (Америк, Британ, Энэтхэг, Австрали), Испани, Франц, Хятад, Япон, Солонгос хэлийг дэмждэг. Энэ нь маш хурдан, зөвхөн CPU- ийн хурдаар текстийг бодит цаг хугацаанд нь боловсруулдаг. MeloTTS нь үйлдвэрлэлийн хэрэглээнд зориулагдсан бөгөөд CPU болон GPU- ийн дүгнэлтийг дэмждэг.
MyShell.ai
MIT
Fast
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
Үгүй
Чөлөөт
Bark
Standard
Suno- ийн Bark нь маш бодитой, олон хэлний яриа, мөн дуу, чимээ, дууны эффект зэрэг бусад дууг бүтээх боломжтой, текстээс дуу руу хөрвүүлэгч загвар юм. Bark нь инээж, нулимс унагах, уйлах зэрэг үггүй харилцааг үүсгэдэг. Bark нь 100 гаруй дуут дохиог 13+ хэл дээр дэмждэг.
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
Үгүй
2x
Bark Small
Standard
Bark Small нь Bark загварын өнгөц хувилбар бөгөөд дууны чанарыг илүү хурдан дүгнэлт хийх хурд болон санах ойны шаардлагыг багасгах зорилгоор ашигладаг. Энэ нь Bark-ийн сэтгэл хөдлөл, инээмсэглэл, олон хэлийг агуулсан яриаг үүсгэх чадварыг хадгалдаг.
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
Үгүй
2x
CosyVoice 2
Standard
Alibaba' s Tongyi Lab- ийн CosyVoice 2- ийн ярианы чанар нь хүнийхтэй харьцуулахад харьцангуй бага хугацаа шаарддаг бөгөөд энэ нь бодит цагийн програмуудад тохиромжтой юм. Энэ нь дууны урсгалыг синтезлэхийн тулд эцсийн скаляр квантжуулалтыг ашигладаг бөгөөд 0- шугамтай дууны клончлол, хэл хоорондын синтез, мэдрэмжийн нарийн хяналтыг дэмждэг. Энэ нь субъектив үнэлгээний олон худалдааны TTS системүүдээс илүү сайн ажилладаг.
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
4GB
Тийм
2x
Dia TTS
Standard
Dia by Nari Labs нь 1. 6B параметртэй текст- рүү- яриа загвар бөгөөд олон дуут яриаг үүсгэх зориулалттай. Энэ нь хоёр дуут яриа хооронд тохирох эргэлт, хэмнэл, сэтгэл хөдлөлийн илэрхийлэл бүхий байгалийн дуугаралт үүсгэж чадна. Dia нь подкаст маягийн агуулга, дуут номын яриа, харилцан ярианы хиймэл оюун ухааныг бий болгоход тохиромжтой.
Nari Labs
Apache 2.0
Medium
en
4GB
Үгүй
2x
Parler TTS
Standard
Parler TTS нь текстээс яриа үүсгэх загвар бөгөөд үүнийг үүсгэсэн яриаг удирдахын тулд байгалийн хэлний дууны тодорхойлолтыг ашигладаг. Өмнө тохируулсан дуунуудаас сонгохын оронд та хүссэн дуугаа тодорхойлно (жишээ нь, "Хамгийн зөөлөн эмэгтэй дуу, бага зэрэг Британийн өнгө аястай, удаан, тод ярьдаг") Parler нь энэ тодорхойлолттой тохирох яриаг үүсгэнэ. Энэ нь бүтээлч програмуудад онцгой тохиромжтой болгодог.
Hugging Face
Apache 2.0
Medium
en
4GB
Үгүй
2x
GLM-TTS
Standard
GLM- TTS by Zhipu AI нь Llama архитектур дээр суурилсан, урсгалын тохиргоотой текст- яриа систем юм. Энэ нь нээлттэй эхийн TTS загваруудын дунд хамгийн бага алдаатай, хамгийн нарийн утгатай илэрхийллийг гаргадаг. GLM- TTS нь 3- 10 секундын аудио дээжээс дууны клоныг гаргаж авах замаар Англи, Хятад хэлийг дэмждэг.
Zhipu AI
GLM-4 License
Medium
en, zh
4GB
Тийм
2x
IndexTTS-2
Standard
IndexTTS- 2 нь маш нарийвчлалтай мэдрэмжийн удирдлагатай, 0- шугамтай дууны синтезтэй өндөр түвшний текст- ярианы систем юм. Энэ нь сэтгэл хөдлөлийн тусгай дата шаардахгүйгээр баяртай, гунигтай, ууртай, айсан гэх мэт мэдрэмжийн онцгой өнгөтэй яриаг үүсгэж чадна. Энэ загвар нь мэдрэмжийн векторуудыг ашиглан үүсгэсэн ярианы мэдрэмжийн илэрхийллийг нарийвчлан удирддаг.
Index Team
Bilibili Model License
Medium
en, zh
4GB
Тийм
2x
Spark TTS
Standard
Spark TTS нь SparkAudio- ийн бичлэгээс ярианд шилжих загвар юм. Энэ загвар нь дууны клонлолтыг удирдах сэтгэл хөдлөлийн болон ярианы хэв маягтай хослуулдаг. 5секундын аудиог ашиглан дууг клонлож, дараа нь өөр өөр сэтгэл хөдлөл, хурд, хэв маягтай яриаг үүсгэж, клонлогдсон дууны онцлогийг хадгална. Spark TTS нь асуулт дээр суурилсан хяналтын системийг ашигладаг.
SparkAudio
CC BY-NC-SA 4.0
Medium
en, zh
4GB
Тийм
2x
GPT-SoVITS
Standard
GPT- SoVITS нь GPT- маягийн хэлний загварчлалыг SoVITS (Singing Voice Inference via Translation and Synthesis) -тэй хослуулан, хүчирхэг, цөөн тооны дууны клоныг бүтээдэг.5секундын хэмжүүрийн дуугаар дууг клонолж, шинэ дууг үүсгэж, дуучин хүний онцлог шинж чанарыг хадгална. Энэ нь ярих болон дуулах дууны синтезийг хослуулан хийдэг.
RVC-Boss
MIT
Slow
en, zh, ja, ko
6GB
Тийм
2x
Orpheus
Standard
Orpheus нь хүний түвшний сэтгэл хөдлөлийн илэрхийлэлд хүрэх том хэмжээтэй текст- рүү- яриа загвар юм. 100, 000 цагаас дээш хугацааны олон янзын ярианы өгөгдөл дээр бэлтгэгдсэн, энэ нь байгалийн сэтгэл хөдлөл, онцлог, ярианы хэв маяг бүхий яриаг бий болгоход гайхалтай. Orpheus нь хүний бичлэгээс бараг ялгагдахгүй яриаг бий болгож чадна.
Canopy Labs
Llama 3.2 Community
Medium
en
4GB
Үгүй
2x
Chatterbox
Premium
Chatterbox by Resemble AI нь хамгийн сүүлийн үеийн дууны клонлолтын загвар юм. Энэ нь нэг дууны жишээнээс ямар ч дууг маш нарийн нягтралтай, зөвхөн дууны өнгөг бус, ярианы хэв маяг, сэтгэл хөдлөлийн ялгааг ч олж авах боломжтой. Chatterbox нь мөн сэтгэл хөдлөлийн нарийн хяналтыг агуулдаг бөгөөд энэ нь танд дууны өнгөнөөс үл хамааран үүсгэсэн ярианы сэтгэл хөдлөлийн өнгөнөөс хамааран тохируулах боломжийг олгодог.
Resemble AI
MIT
Medium
en
4GB
Тийм
4x
Tortoise TTS
Premium
Tortoise TTS нь хурднаас илүү чимээ чанарыг чухалчилдаг, олон дуут текст- рүү- яриа систем юм. Энэ нь DALL- E- ээс санаа авч, маш сайн хэмнэл, дуучинтай адилхан, маш байгалийн яриаг бий болгох зорилготой юм. Tortoise нь олон хувилбаруудаас хурдацтай боловч нээлттэй эхийн экосистемд хамгийн бодитой синтетик яриаг бий болгодог.
James Betker
Apache 2.0
Slow
en
8GB
Тийм
4x
StyleTTS 2
Premium
StyleTTS 2 нь хүний түвшний TTS синтезийг хийдэг. Энэ нь өргөн хэрэглэгддэг ярианы хэлний загваруудыг ашиглан, өнгөний диффузи болон өрсөлдөгчийг сургах арга барилыг хослуулдаг. Энэ нь нэг дуугаргагчтай загваруудын дунд хамгийн нарийн сонсогдох яриаг гаргаж, хүний бичлэгтэй өрсөлддөг. StyleTTS 2 нь хүний ярианы бүх хувилбарыг авахын тулд өнгөний диффузи дээр суурилсан өнгөний загварыг ашигладаг.
Columbia University
MIT
Medium
en
4GB
Үгүй
4x
OpenVoice
Premium
OpenVoice by MyShell. ai нь дууны хэв маяг, мэдрэмж, өнгө, ритм, зогсолт, интонаци зэргийг хянах боломжийг олгодог. Энэ нь богино дууны бичлэгээс дууг клонолж, дуучин хүнийг хадгалж, олон хэлээр яриа үүсгэж болно. OpenVoice нь мөн дууны хөрвүүлэгч, дууны бодит цагийн хувиргалт хийх боломжийг олгодог.
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
4GB
Тийм
4x
Qwen3 TTS
Standard
Qwen3- TTS нь Alibaba- ийн Qwen багаас гаргасан 1. 7 тэрбум параметр бүхий текстээс яриа болгох загвар юм. Энэ нь3төрлийн горимыг дэмждэг: сэтгэл хөдлөлийн удирдлагатай урьдчилан тохируулсан дуу (9 дуут),3секундын дуунаас дууг ялгах, мөн өөрийн хүссэн дууг байгалийн хэлээрээ тодорхойлох онцгой дууны загвар. Энэ нь 10 хэлийг өндөр илэрхийлэл, байгалийн хэмнэлтэйгээр дэмждэг.
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
Тийм
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) нь яриа үүсгэх зориулалттай 1 тэрбум параметр бүхий загвар юм. Энэ загвар нь хүний ярианы байгалийн хэв маягийг загварчилдаг. Үүнд эргэлт авах цаг, эргэн дамжуулах хариу, сэтгэл хөдлөлийн хариу үйлдэл, ярианы урсгал орно. CSM нь синтетик ярианы оронд хүний яриа шиг сонсогдох дууг үүсгэдэг.
Sesame
Apache 2.0
Slow
en
8GB
Үгүй
4x
Chatterbox Turbo
Standard
Chatterbox Turbo by Resemble AI нь Chatterbox-ийн 350M параметрийн шинэчлэл бөгөөд 200ms-ийн сааруулгын дор 6x бодит цагийн хурдтай ажилладаг. Энэ нь [инээв], [хөлс], [хөхөрч] гэх мэт текстийн доторх паралингвист тегинд дэмжлэг үзүүлдэг. Бүх үүсгэсэн дууны эх үүсвэрийг олж тогтоох Perth усны тэмдэгийг агуулдаг.
Resemble AI
MIT
Fast
en
2GB
Тийм
2x
Zonos
Standard
Зонос v0. 1 нь Zyphra- ийн 1. 6B параметрийн загвар бөгөөд баяр, уур, гуниг, айдас, гайхах зэрэг мэдрэмжүүдийг хянах зориулалттай. Энэ нь Transformer болон шинэ SSM (state- space model) хувилбарыг санал болгодог. 10- 30 секундын өгөгдөлтэй 100K+ цагаар олон хэлний яриагаар сургасан.
Zyphra
Apache 2.0
Medium
en, ja, zh, fr, de
6GB
Тийм
2x
Dia 2
Standard
Dia2 нь Nari Labs-ийн Dia-ийн 1B ба 2B параметрийн хувилбарууд байдаг. Энэ нь анхны хэдэн токеноос дууг синтезлэхээс эхлэн, бодит цагны дууны агентууд болон яриа-хөгжмийн хоолойн хувьд тохиромжтой болгодог. [S1] / [S2] тэмдгүүд болон (инээв), (хөлс) зэрэг паралингвистик дохио бүхий олон дуут яриаг дэмждэг.
Nari Labs
Apache 2.0
Fast
en
4GB
Үгүй
2x
VoxCPM
Standard
VoxCPM 1. 5 нь OpenBMB- ийн шинэлэг, токенизаторгүй, тасралтгүй орон зайнд ажилладаг TTS загвар юм. Энэ нь өндөр чанартай 44. 1kHz дууг гаргадаг, 3- 10 секундын хооронд дууны 0- ийн дугуйг дэмждэг, ба абзац хоорондын нийцлийг хадгалдаг. Хэл хоорондын дугуй нь Англи дууг Хятад дуунд, эсрэгээрээ ашиглах боломжийг олгодог.
OpenBMB
Apache 2.0
Fast
en, zh
4GB
Тийм
2x
OuteTTS
Free
OuteTTS нь эхний загварыг хадгалж, текстээс яриа болгох чадвартай том хэлний загварыг өргөжүүлдэг. Энэ нь llama. cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, мөн Transformers. js-ийн браузерын дүгнэлтийг дэмждэг. JSON-оор хадгалагдсан дуут профайлуудыг ашиглан дууны клонлолтыг нууцаар хийдэг.
OuteAI
Apache 2.0
Fast
en
2GB
Тийм
Чөлөөт
TADA
Standard
TADA (Text- Acoustic Dual Alignment) by Hume AI нь Llama 3. 2 дээр суурилсан шинэлэг хосолсон нийлмэл загварыг ашиглан халууцлагыг арилгах шинэлэг TTS загвар юм. 1B (Англи) болон 3B (олон хэлний) хувилбарууд байдаг, TADA нь LLM дээр суурилсан TTS загваруудаас 0. 09 - 5x хурдан RTF- ийг хангадаг. Энэ нь 700 секунд хүртэлх аудио орчныг дэмждэг бөгөөд стандарт үзүүлэлтүүдийн дагуу халууцлагыг үгүйсгэсэн сэтгэл хөдлөлтэйгээр илэрхийлэх яриаг гаргадаг.
Hume AI
MIT
Fast
en
5GB
Үгүй
2x
VibeVoice
Standard
Microsoft-ийн VibeVoice нь хоёр хувилбартай: 1. 5B загвар нь урт хэлбэрийн агуулга (90 минут хүртэл,4гар утас) болон ~200ms-ийн эхний дууны саадтай шууд дамжуулах Realtime 0. 5B загвар юм. 1. 5B хувилбар нь подкаст болон дуут номд сайн тохирдог бөгөөд урт хэсгүүдэд дуут дохио тогтвортой байдаг. Сэтгэгдэл: Microsoft-ийн TTS кодыг хадгалах сангаас устгасан бөгөөд үүсгэсэн дуу нь сонсогдох AI хариуцлагаас чөлөөлөхийг агуулдаг.
Microsoft
MIT
Fast
en, zh
4GB
Үгүй
2x
Pocket TTS
Free
Kyutai (Moshi- ийн зохиогчид) - ийн Pocket TTS нь 100М параметртэй, хэмнэлттэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметртэй, 100М параметр
Kyutai
MIT
Fast
en, fr
1GB
Тийм
Чөлөөт
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
Үгүй
Чөлөөт
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
Тийм
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
Тийм
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
Тийм
4x
Kokoro
Чөлөөт
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
Чөлөөт
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
Чөлөөт
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
Чөлөөт
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
Чөлөөт
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
Чөлөөт
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
Чөлөөт
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
Стандарт
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
Үгүй
Bark Small
Стандарт
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
Үгүй
CosyVoice 2
Стандарт
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
Тийм
Dia TTS
Стандарт
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
Үгүй
Parler TTS
Стандарт
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
Үгүй
GLM-TTS
Стандарт
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
Тийм
IndexTTS-2
Стандарт
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
Тийм
Spark TTS
Стандарт
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
Тийм
GPT-SoVITS
Стандарт
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
Тийм
Orpheus
Стандарт
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
Үгүй
Qwen3 TTS
Стандарт
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
Тийм
Chatterbox Turbo
Стандарт
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
Тийм
Zonos
Стандарт
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
Тийм
Dia 2
Стандарт
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
Үгүй
VoxCPM
Стандарт
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
Тийм
TADA
Стандарт
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
Үгүй
VibeVoice
Стандарт
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
Үгүй
CosyVoice3
Стандарт
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
Тийм
Chatterbox
Дээд зэрэглэлийн
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
Тийм
4GB
4x
Tortoise TTS
Дээд зэрэглэлийн
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
Тийм
8GB
4x
StyleTTS 2
Дээд зэрэглэлийн
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
Үгүй
4GB
4x
OpenVoice
Дээд зэрэглэлийн
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
Тийм
4GB
4x
Sesame CSM
Дээд зэрэглэлийн
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
Үгүй
8GB
4x
MOSS-TTS
Дээд зэрэглэлийн
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
Тийм
16GB
4x
MegaTTS3
Дээд зэрэглэлийн
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
Тийм
8GB
4x
Модель харьцуулах хүснэгт
| Модель | Хөгжүүлэгч: | Үхрийн | Чадал: | Хурд | хэл | Хөгжүүлэгч | Видео санах ой | Лиценз: | Кредитүүд | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | Чөлөөт | Ашиглах | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | Чөлөөт | Ашиглах | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | Чөлөөт | Ашиглах | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | Чөлөөт | Ашиглах | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | Ашиглах | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | Ашиглах | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | Ашиглах | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | Ашиглах | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | Ашиглах | ||
| GLM-TTS | Zhipu AI | Standard | Medium | 2 | 4GB | GLM-4 License | 2 | Ашиглах | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Bilibili Model License | 2 | Ашиглах | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | Ашиглах | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | Ашиглах | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | Ашиглах | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | Ашиглах | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | Ашиглах | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | Ашиглах | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | Ашиглах | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | Ашиглах | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | Ашиглах | ||
| Chatterbox Turbo | Resemble AI | Standard | Fast | 1 | 2GB | MIT | 2 | Ашиглах | ||
| Zonos | Zyphra | Standard | Medium | 5 | 6GB | Apache 2.0 | 2 | Ашиглах | ||
| Dia 2 | Nari Labs | Standard | Fast | 1 | 4GB | Apache 2.0 | 2 | Ашиглах | ||
| VoxCPM | OpenBMB | Standard | Fast | 2 | 4GB | Apache 2.0 | 2 | Ашиглах | ||
| OuteTTS | OuteAI | Free | Fast | 1 | 2GB | Apache 2.0 | Чөлөөт | Ашиглах | ||
| TADA | Hume AI | Standard | Fast | 1 | 5GB | MIT | 2 | Ашиглах | ||
| VibeVoice | Microsoft | Standard | Fast | 2 | 4GB | MIT | 2 | Ашиглах | ||
| Pocket TTS | Kyutai | Free | Fast | 2 | 1GB | MIT | Чөлөөт | Ашиглах | ||
| Kitten TTS | KittenML | Free | Fast | 1 | 0GB | Apache 2.0 | Чөлөөт | Ашиглах | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | Fast | 9 | 4GB | Apache 2.0 | 2 | Ашиглах | ||
| MOSS-TTS | OpenMOSS | Premium | Medium | 19 | 16GB | Apache 2.0 | 4 | Ашиглах | ||
| MegaTTS3 | ByteDance | Premium | Slow | 2 | 8GB | Apache 2.0 | 4 | Ашиглах |
Хамгийн өргөн хүрээтэй AI текстээс яриа болгох платформName
TTS.ai-ыг яагаад сонгох ёстой вэ?
TTS.ai нь дэлхийн хамгийн шилдэг нээлттэй эхийн текст- рүү- яриа загваруудыг нэг, ашиглахад хялбар платформд нэгтгэсэн юм. Таныг нэг дууны хөдөлгүүрт түгждэг хувийн үйлчилгээнээс ялгаатай нь TTS.ai нь Coqui, MyShell, Amphion, NVIDIA, Suno, HuggingFace, Tsinghua University, болон бусад тэргүүлэх судалгааны лабораториудын 20+ загварт нэвтрэх боломжийг олгодог.
Бүх загварууд нь MIT, Apache 2. 0, эсвэл ижил төстэй зөвшөөрөгдөх лицензийн дагуу нээлттэй эхтэй бөгөөд таны төслүүдэд үүсгэсэн дууг ашиглах бүрэн эрхийг баталгаажуулдаг. Та бодит цагны програмуудад хурдан, хөнгөн синтез эсвэл аудио ном, подкастуудад дээд зэрэглэлийн студийн чанартай дуу гаргахыг хүсч байвал TTS.ai нь бүх хэрэглээний нөхцөлд тохирох загвартай.
Үнэгүй загварууд, бүртгэл шаардлагагүй
Гурван үнэгүй TTS загварыг шууд ашиглах боломжтой: Piper (хамгийн хурдан, хөнгөн), VITS (хамгийн чанартай нейрон синтез), болон MeloTTS (мөн олон хэлийг дэмждэг). Бүртгүүлэх шаардлагагүй, зээлийн карт шаардахгүй, үеийн тооны хязгаарлалт байхгүй. Үнэгүй загварууд нь Англи болон бусад олон хэлийг дэмждэг бөгөөд ихэнх програмуудад тохиромжтой байгалийн дуугаралттай.
График процессорын хурдасгасан боловсруулалт
Бүх TTS загварууд NVIDIA-ийн GPU дээр ажилладаг бөгөөд энэ нь хурдан, тогтвортой үүсгэх боломжийг олгодог. Үнэгүй загварууд 2-оос бага секундэд дуу үүсгэдэг. Kokoro, CosyVoice 2, Bark зэрэг стандарт загварууд дунджаар 3-5 секундэд дуу үүсгэдэг. Tortoise, Chatterbox зэрэг хамгийн өндөр чанартай загварууд текстийн уртаас хамааран 5-15 секундэд дуу үүсгэдэг.
30+ хэлийг дэмждэг
Англи, Испани, Франц, Герман, Итали, Португал, Хятад, Япон, Солонгос, Араб, Хинди, Орос, гэх мэт 30 гаруй хэл дээр яриаг үүсгэх. Зарим загварууд хэл хоорондын синтезийг дэмждэг, энэ нь эхний дууг хэзээ ч сургаагүй хэл дээр яриаг үүсгэх боломжтой гэсэн үг юм. CosyVoice 2, GPT- SoVITS нь хэл хоорондын яриаг ялгах чадвараараа онцлогтой.
Програм хангамжийн API
TTS.ai-ийг OpenAI-тэй нийцсэн REST API-тай програмдаа нэгтгэх. 20+ загварт нэг төгсгөлийн цэг. Python, JavaScript, cURL, Go SDK-ууд. Үнэгүй програмуудыг шууд дамжуулах. Их хэмжээний агуулга үүсгэх багц боловсруулалт. Асинхрон мэдэгдэл хийхэд зориулсан Webhooks. Pro болон Enterprise төлөвлөгөөнд ашиглаж болно.
Заримдаа асуудаг асуултууд
Бид юуг сайжруулах ёстой вэ? Таны санал бодол бидэнд асуудал шийдвэрлэхэд тусалдаг.
Хуваалцах...
TTS.ai ашиглан олон мянган зохиогчтой нэгдээрэй. Шинэ данстайгаа 15,000 үнэгүй дүрсийг авна. Үнэгүй загварууд бүртгүүлэхгүйгээр ашиглах боломжтой.