AI पाठ्य ते वक्तव्यName
ओपन सोर्स AI मॉडेल वापरून पाठ्य नैसर्गिक आवाजाच्या भाषणात रूपांतरित करा. वापरण्यास मोफत, खाते आवश्यक नाही.
अचूक नियंत्रण करीता SSML टॅग अंतर्गत पाठ्य वेल्ड करा:
<speak><prosody rate="slow">Slow speech</prosody></speak>
वितरण प्रभावी करण्यासाठी भावना चिन्ह जोडा (आकारानुसार समर्थन बदलते):
इच्छिक उच्चारण निश्चित करा (शब्द = उच्चारण):
नमुना तपशील
CosyVoice3
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.
| डेव्हलपर: | Alibaba (FunAudioLLM) |
| परवाना: | Apache 2.0 |
| वेग | Fast |
| गुणवत्ता: | |
| भाषाName | 9 भाषाName |
| VRAM | 4GB |
| आवाज क्लोनिंग | समर्थीत |
चांगले परिणाम करीता टिप
- नैसर्गिक विराम व उच्चार करीता योग्य विरामचिन्ह वापरा
- स्पष्ट उच्चार करीता संख्या व संक्षिप्ताक्षरे लिहा
- वाक्यांमधिल छोटे विराम निर्माण करण्याकरीता कॉमा जोडा
- लांबलचक नाटकीय विराम करीता ellipsis (...) वापरा
- सर्वात नैसर्गिक परिणामांसाठी Kokoro किंवा CosyVoice2चा वापर करा
- बहु- स्पीकर संवाद व पॉडकास्ट अंतर्गत Dia चा वापर करा
अक्षर वापरणी
| टर | प्रति 1K अक्षर किंमत |
|---|---|
| मोकळे | 0 क्रेडिट (असीमित) |
| मुलभूत | 2 गुण / 1K अक्षरे |
| प्रीमियम | 4 क्रेडिट्स / 1K अक्षरे |
AI पाठ्य ते वक्तव्य कसे कार्य करते
तीन सोप्या पायऱ्यांमध्ये व्यावसायिक दर्जाचे आवाज निर्माण करा. तांत्रिक ज्ञानाची गरज नाही.
पाठ्य प्रविष्ट करा
तुम्हाला बोलण्यात रूपांतरीत करायचे असलेले पाठ्य टाइप करा, चिकटवा किंवा अपलोड करा. दाखलन केलेल्या वापरकर्त्यांकरीता प्रति निर्मिती 5000 अक्षरांपर्यंत समर्थन पुरविते. उच्चार, विराम व जोर देण्याकरीता प्रगत नियंत्रण करीता सादा पाठ्य वापरा किंवा SSML टॅग जोडा.
मॉडेल व आवाज निवडा
तीन स्तरांमधून 20+ AI मॉडेल निवडा. तुमच्या विषयवस्तुशी जुळणारा आवाज निवडा, तुमची लक्ष्य भाषा निवडा, प्लेबॅक वेग 0.5x ते 2.0x पर्यंत समायोजित करा, आणि तुमच्या पसंतीच्या आऊटपुट स्वरूप निवडा (MP3, WAV, OGG, किंवा FLAC).
डाउनलोड करा
बनवा वर क्लिक करा व तुमचे ऑडिओ सेकंदात तयार होईल. अंतर्भूतीत प्लेयर द्वारे पूर्वदृश्य पहा, निवडलेल्या स्वरूपात डाऊनलोड करा, किंवा सामायिकजोगी लिंक प्रतिकृत करा. बॅच प्रक्रियेकरीता आणि कार्यप्रवाहात एकत्रीकरण करीता API चा वापर करा.
पाठ्य ते वक्तव्य वापराName
एआय-समर्थित टेक्स्ट-टू-स्पीचने लोक कसे निर्माण करतात, वापरतात आणि दहाहून अधिक उद्योगांमध्ये ऑडिओ सामग्रीशी संवाद साधतात याचा बदल केला आहे.
सर्व पाठ्य ते वक्तव्य मॉडेल
TTS.ai वर उपलब्ध प्रत्येक AI मॉडेलसाठी तपशीलवार वैशिष्ट्ये. आपल्या प्रकल्पासाठी उत्तम मॉडेल शोधण्यासाठी गुणवत्ता, वेग, भाषा समर्थन आणि वैशिष्ट्यांचे तुलना करा.
Kokoro
Free
कोकोरो हे 82 दशलक्ष पैरामीटर पाठ्य- ते- वक्तव्य मॉडेल आहे जे त्याच्या वजन वर्गापेक्षा जास्त आहे. त्याचे लहान आकार असले तरी, ते उल्लेखनीय नैसर्गिक आणि अभिव्यक्तीशील वक्तव्य निर्माण करते. कोकोरो अनेक भाषांना समर्थन देते ज्यात इंग्रजी, जपानी, चिनी व कोरियाई यांचा समावेश आहे ज्यात विविध अभिव्यक्तीशील आवाज आहेत. ते अत्यंत जलद चालते - जीपीयूवरील वास्तविक वेळेपेक्षा सुमारे 100 पट जलद ऑडिओ निर्माण करते.
Hexgrad
Apache 2.0
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
1.5GB
नाही
मोकळे
Piper
Free
Piper हे Rhasspy द्वारे विकसित केले गेलेले एक हलके पाठ्य-भाष्य इंजिन आहे जे VITS आणि larynx आर्किटेक्चर वापरते. ते पूर्णपणे CPU वर चालते, जे ते अत्यंत उपकरणांसाठी, घरातील स्वयंचलितीकरणासाठी आणि ऑफलाइन TTS आवश्यक असलेल्या अनुप्रयोगांसाठी आदर्श बनवते. 30+ भाषांमधील 100 पेक्षा जास्त आवाजांसह, Piper ने Raspberry Pi4वरही वास्तविक वेळेत नैसर्गिक-ध्वनी ध्वनी प्रदान केला आहे.
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)
नाही
मोकळे
VITS
Free
VITS (विविधता निष्कर्षासह विरोधाभास शिकणे अंत- ते- अंत पाठ- ते- भाषणासाठी) एक समांतर अंत- ते- अंत TTS पद्धत आहे जी सध्याच्या दोन- टप्प्या मॉडेलपेक्षा अधिक नैसर्गिक आवाज ध्वनी निर्माण करते. ते वैविध्यपूर्ण निष्कर्षासह सामान्यीकरण प्रवाह आणि विरोधाभास प्रशिक्षण प्रक्रियासह वाढविलेले स्वीकारते, नैसर्गिकतेमध्ये उल्लेखनीय सुधारणा प्राप्त करते.
Jaehyeon Kim et al.
MIT
Fast
en, zh, ja, ko
1GB
नाही
मोकळे
MeloTTS
Free
MyShell. ai द्वारे MeloTTS एक बहुभाषिक TTS लायब्ररी आहे जी इंग्रजी (अमेरिकन, ब्रिटिश, भारतीय, ऑस्ट्रेलियन), स्पॅनिश, फ्रेंच, चिनी, जपानी, आणि कोरियाई समर्थन करीता आहे. हे अतिशय जलद आहे, फक्त CPU वर जवळजवळ वास्तविक वेळ गतीने पाठ्य प्रक्रिया करते. MeloTTS उत्पादन वापर करीता डिझाइन केले गेले आहे व CPU व GPU दोन्ही निरीक्षण करीता समर्थन पुरवते.
MyShell.ai
MIT
Fast
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
नाही
मोकळे
Bark
Standard
सुनो द्वारे बार्क हे एक ट्रांसफॉर्मर आधारित पाठ्य-ऑडिओ मॉडेल आहे जे अतिशय कल्पक, बहुभाषिक भाषण तसेच संगीत, पार्श्वभूमी आवाज, आणि ध्वनी प्रभाव यांसारखे इतर ऑडिओ निर्माण करू शकते. ते हसणे, हळहळणे, आणि रडणे यांसारखे गैर-मौखिक संवाद निर्माण करू शकते. बार्क 100 पेक्षा जास्त स्पीकर पूर्वनिर्धारित आणि 13+ भाषांना समर्थन देतो.
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
नाही
2x
Bark Small
Standard
Bark Small हे Bark मॉडेलचे डिस्टिल्ड आवृत्ती आहे जे काही ऑडिओ गुणवत्तेचे व्यवहार मोठ्या प्रमाणात जलद निष्कर्षण वेगासाठी आणि कमी स्मृती आवश्यकतांसाठी करते. ते Bark चे भावना, हास्य आणि बहुभाषिक संवाद निर्माण करण्याची क्षमता राखून ठेवते.
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
नाही
2x
CosyVoice 2
Standard
ॲरिस्टॉटलच्या तत्त्वज्ञानात तत्त्वज्ञान हे एक तत्त्वज्ञान आहे ज्यात तत्त्वज्ञानाच्या सर्व शाखांचा समावेश होतो, तत्त्वज्ञान हे तत्त्वज्ञानाच्या सर्व शाखांचा समावेश आहे, तत्त्वज्ञान हे तत्त्वज्ञानाच्या सर्व शाखांचा समावेश आहे, तत्त्वज्ञान हे तत्त्वज्ञानाच्या सर्व शाखांचा समावेश आहे, तत्त्वज्ञान हे तत्त्वज्ञानाच्या सर्व शाखांचा समावेश आहे, तत्त्वज्ञान हे तत्त्वज्ञानाच्या सर्व शाखांचा समावेश आहे, तत्त्वज्ञान हे तत्त्वज्ञानाच्या सर्व शाखांचा समावेश आहे.
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
4GB
होय
2x
Dia TTS
Standard
Nari Labs द्वारे Dia हे बहु- वक्ता संवाद निर्माण करण्याकरीता विशेषतः डिझाइन केलेले 1.6B पैरामीटर पाठ्य- ते- वक्तव्य मॉडेल आहे. ते योग्य फेरी घेणे, prosody, आणि भावनात्मक अभिव्यक्तीसह दोन वक्त्यांदरम्यान नैसर्गिक- आवाजाच्या संवाद निर्माण करू शकते. Dia पॉडकास्ट- शैलीतील सामग्री, ऑडिओबुक संवाद आणि परस्पर संवाद AI तयार करण्यासाठी पूर्ण आहे.
Nari Labs
Apache 2.0
Medium
en
4GB
नाही
2x
Parler TTS
Standard
Parler TTS हे पाठ्य- ते- वक्तव्य मॉडेल आहे जे निर्मित वक्तव्य नियंत्रित करण्याकरीता नैसर्गिक भाषा आवाज वर्णनाचा वापर करते. पूर्वनिर्धारित आवाज निवडण्याऐवजी, तुम्ही तुम्हाला हवे ते आवाज वर्णन करा (उदा., "एक गरम स्त्री आवाज थोड्या ब्रिटिश उच्चार, हळूहळू व स्पष्टपणे बोलणे") आणि Parler त्या वर्णनाशी जुळणारे वक्तव्य निर्माण करते. यामुळे ते क्रिएटिव्ह अनुप्रयोग करीता अद्वितीयरित्या लहान होते.
Hugging Face
Apache 2.0
Medium
en
4GB
नाही
2x
GLM-TTS
Standard
Zhipu AI द्वारे GLM-TTS हे फ्लो मॅचिंगसह Llama आर्किटेक्चरवर बनविलेले एक पाठ्य-वाक् प्रणाली आहे. ते ओपन-सोर्स TTS मॉडेल्समध्ये सर्वात कमी अक्षर त्रुटी दर प्राप्त करते, म्हणजेच ते सर्वात अचूक उच्चार तयार करते. GLM-TTS 3-10 सेकंद ऑडिओ नमुन्यातून आवाज क्लोनिंगसह इंग्रजी आणि चिनी समर्थन करते.
Zhipu AI
GLM-4 License
Medium
en, zh
4GB
होय
2x
IndexTTS-2
Standard
इन्डेक्सटीटीएस-२ हे एक प्रगत पाठ-वाक् प्रणाली आहे जी शून्य-शॉट आवाज संश्लेषणात उत्कृष्ट आहे, ज्यात चांगल्या प्रकारचे भावना नियंत्रण आहे. ते भावना-विशिष्ट प्रशिक्षण डेटा आवश्यक नसताना आनंदी, दुःखी, संतापलेले किंवा भयभीत अशा विशिष्ट भावनात्मक टोनसह भाषण तयार करू शकते. मॉडेल निर्मित भाषणाचे भावनात्मक अभिव्यक्ती अचूकपणे नियंत्रण करण्यासाठी भावना वेक्टरचा वापर करते.
Index Team
Bilibili Model License
Medium
en, zh
4GB
होय
2x
Spark TTS
Standard
स्पार्क ऑडिओ द्वारे स्पार्क टीटीएस हे एक पाठ्य ते वक्तव्य मॉडेल आहे जे आवाज क्लोनिंग आणि नियंत्रणीय भावना आणि बोलण्याची शैली एकत्रित करते. फक्त5सेकंद संदर्भ ऑडिओचा वापर करून, ते एक आवाज क्लोन करू शकते आणि नंतर भिन्न भावना, वेग आणि शैलीसह वक्तव्य निर्माण करू शकते जेव्हा क्लोन आवाज ओळख राखली जाते. स्पार्क टीटीएस एक प्रॉम्प्ट-आधारित नियंत्रण प्रणाली वापरते.
SparkAudio
CC BY-NC-SA 4.0
Medium
en, zh
4GB
होय
2x
GPT-SoVITS
Standard
GPT-SoVITS GPT-शैली भाषा मॉडेलिंग आणि SoVITS (अनुवाद व संश्लेषण द्वारे गायन आवाज निष्कर्षण) यांचे एकत्रीकरण शक्तिशाली काही-शॉट आवाज क्लोनिंग करीता करते.5सेकंद संदर्भ ऑडिओसह, ते अचूकपणे आवाज क्लोनिंग करू शकते व वक्त्याच्या वैशिष्ट्यांचे संरक्षण करीत नविन भाषण निर्माण करू शकते. ते दोन्ही बोलणे व गायन आवाज संश्लेषण करीता उत्कृष्ट आहे.
RVC-Boss
MIT
Slow
en, zh, ja, ko
6GB
होय
2x
Orpheus
Standard
Orpheus एक मोठे पाठ्य- ते- वक्तव्य मॉडेल आहे जे मानवी स्तरावर भावनिक अभिव्यक्ती प्राप्त करते. 100, 000 पेक्षा जास्त तासांच्या विविध वक्तव्य माहितीवर प्रशिक्षण दिले गेले आहे, ते नैसर्गिक भावना, जोर आणि बोलण्याची शैलीसह वक्तव्य निर्माण करण्यात उत्कृष्ट आहे. Orpheus मानवी रेकॉर्डिंगपासून अवास्तव वेगळे असणारे वक्तव्य निर्माण करू शकते.
Canopy Labs
Llama 3.2 Community
Medium
en
4GB
नाही
2x
Chatterbox
Premium
Resemble AI द्वारे चॅटरबॉक्स हे एक अत्याधुनिक शून्य-शॉट आवाज क्लोनिंग मॉडेल आहे. ते एकल ऑडिओ नमुन्यापासून कोणत्याही आवाजाचा उल्लेखनीय अचूकतेने प्रतिकृति करू शकते, फक्त टिंबरच नाही तर बोलण्याची शैली आणि भावनात्मक नमुने देखील कैद करू शकते. चॅटरबॉक्स सोबतच Fine-grained भावना नियंत्रण देखील समाविष्ट करते, जे तुम्हाला आवाज ओळखण्यापासून स्वतंत्रपणे निर्माण केलेल्या भाषणाचा भावनात्मक टोन समायोजित करण्यास परवानगी देते.
Resemble AI
MIT
Medium
en
4GB
होय
4x
Tortoise TTS
Premium
Tortoise TTS ही एक स्वयं- पुनरावर्तक बहु- आवाज पाठ्य- ते- वक्तव्य प्रणाली आहे जी गतीपेक्षा ऑडिओ गुणवत्तेला प्राधान्य देते. हे DALL- E- प्रेरित आर्किटेक्चरचा वापर उत्कृष्ट प्रोसोडी व वक्ता समानतेसह अतिशय नैसर्गिक वक्तव्य निर्माण करण्याकरीता करते. अनेक पर्यायांपेक्षा मंद असतांना, Tortoise ओपन- सोर्स इकोसिस्टीम अंतर्गत उपलब्ध सर्वात वास्तविक संश्लेषित वक्तव्य तयार करते.
James Betker
Apache 2.0
Slow
en
8GB
होय
4x
StyleTTS 2
Premium
StyleTTS2मानव- स्तर TTS संश्लेषण style diffusion सह प्रतिस्पर्धी प्रशिक्षण वापरून मोठे भाषण भाषा मॉडेल्सचे संयोजन करून प्राप्त करते. ते एकल- वक्ता मॉडेल्स दरम्यान सर्वात नैसर्गिक आवाजाचे भाषण निर्माण करते, मानवी रेकॉर्डिंगशी स्पर्धा करते. StyleTTS2मानव भाषण भिन्नतेचे संपूर्ण क्षेत्र रेकॉर्ड करण्यासाठी diffusion- based style modeling चा वापर करते.
Columbia University
MIT
Medium
en
4GB
नाही
4x
OpenVoice
Premium
MyShell.ai द्वारे ओपनव्हॉईस आवाज शैली, भावना, उच्चार, लय, विराम, आणि लयबद्धतेवर बारीक नियंत्रणासह त्वरित आवाज क्लोनिंग सक्षम करतो. ते लहान ऑडिओ क्लिप पासून आवाज क्लोनिंग करू शकते आणि वक्त्याची ओळख राखत अनेक भाषांमध्ये भाषण निर्माण करू शकते. ओपनव्हॉईस आवाज रूपांतरक म्हणून कार्य करते, वास्तविक वेळ आवाज रूपांतरित करण्यास परवानगी देतो.
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
4GB
होय
4x
Qwen3 TTS
Standard
Qwen3-TTS हे अलीबाबाच्या Qwen संघाकडून आलेले 1.7 अब्ज पैरामीटर पाठ्य-भाष्य मॉडेल आहे. ते तीन पद्धतींना समर्थन देते: भावना नियंत्रणासह पूर्वनिर्धारित आवाज (9 स्पीकर), फक्त3सेकंद ऑडिओपासून आवाज क्लोनिंग, आणि एक अद्वितीय आवाज डिझाइन पद्धत ज्यात आपण आपल्याला हवे असलेला आवाज नैसर्गिक भाषेत वर्णन करता. ते उच्च अभिव्यक्ती आणि नैसर्गिक शब्दरचना असलेल्या 10 भाषांना कव्हर करते.
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
होय
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) हे 1 बिलियन पैरामीटर मॉडेल आहे जे विशेषतः संवादात्मक भाषण निर्माण करण्याकरीता डिझाइन केले गेले आहे. हे मानवी संवादाच्या नैसर्गिक रचनांचे मॉडेल आहे ज्यात टर्न-टेकिंग टाइमिंग, backchannel प्रतिसाद, भावनात्मक प्रतिक्रिया, आणि संवादात्मक प्रवाह समाविष्ट आहे. CSM सिंथेटिक भाषणाऐवजी नैसर्गिक मानवी संवादासारखे आवाज निर्माण करते.
Sesame
Apache 2.0
Slow
en
8GB
नाही
4x
Chatterbox Turbo
Standard
चॅटरबॉक्स टर्बो Resemble AI द्वारे चॅटरबॉक्ससाठी 350M पैरामीटर अपग्रेड आहे, 200ms लॅटन्सीसह 6x वास्तविक-वेळ वेग प्रदान करते. ते पाठ्यातील [हसू], [खोकला] आणि [चिडचिड] सारख्या पॅरालिंग्विस्टिक टॅग्सला समर्थन देते. सर्व निर्मित ऑडिओवर provenance ट्रॅकिंगसाठी Perth वॉटरमार्किंग समाविष्ट करते.
Resemble AI
MIT
Fast
en
2GB
होय
2x
Zonos
Standard
1960 च्या दशकात, 1970 च्या दशकात आणि 1980 च्या दशकात, 1990 च्या दशकात आणि 2000 च्या दशकात, 2000 च्या दशकात, 2010 च्या दशकात आणि 2011 च्या दशकात, 2012 च्या दशकात आणि 2013 च्या दशकात, 2014 च्या दशकात आणि 2015 च्या दशकात, 2016 च्या दशकात आणि 2017 च्या दशकात, 2018 च्या दशकात आणि 2019 च्या दशकात, 2020 च्या दशकात आणि 2021 च्या दशकात, 2022 च्या दशकात आणि 2023 च्या दशकात, 2024 च्या दशकात आणि 2024 च्या दशकात, 2025 च्या दशकात आणि 2024 च्या दशकात, 2025 च्या दशकात आणि 2025 च्या दशकात, 2026 च्या दशकात आणि 2027 च्या दशकात, 2028 च्या दशकात आणि 2028 च्या दशकात, 2029 च्या दशकात आणि 2030 च्या दशकात, 2030 च्या दशकात आणि 2031 च्या दशकात, 2032 च्या दशकात आणि 2033 च्या दशकात, 2034 च्या दशकात आणि 2034 च्या दशकात, 2035 च्या दशकात आणि 2035 च्या दशकात, 2036 च्या दशकात आणि 2037 च्या दशकात, 2038 च्या दशकात आणि 2038 च्या दशकात, 2039 च्या दशकात आणि 2040 च्या दशकात, 2041 च्या दशकात आणि 2042 च्या दशकात, 2043 च्या दशकात आणि 2044 च्या दशकात, 2044 च्या दशकात आणि 2044 च्या दशकात, 2045 च्या दशकात आणि 2047 च्या दशकात, 2048 च्या दशकात आणि 2048 च्या दशकात, 2049 च्या
Zyphra
Apache 2.0
Medium
en, ja, zh, fr, de
6GB
होय
2x
Dia 2
Standard
Dia2 by Nari Labs हे Dia चे स्ट्रीमिंग-प्रथम अद्ययावत आहे, 1B आणि 2B पैरामीटर वर्तनांमध्ये उपलब्ध आहे. ते पहिल्या काही टोकनपासून ऑडिओ संश्लेषण सुरू करते, वास्तविक वेळ आवाज प्रतिनिधी आणि भाषण-ते-भाषण पाईपलाईनसाठी हे आदर्श बनविते. [S1] / [S2] टॅग्ससह बहु-स्पीकर संवाद आणि (लॉगस्), (कोथ) सारख्या पार्लिंग्विस्टिक सूट्सला समर्थन देते.
Nari Labs
Apache 2.0
Fast
en
4GB
नाही
2x
VoxCPM
Standard
VoxCPM 1.5 OpenBMB द्वारे एक नवीन टोकनाइजर-मुक्त TTS मॉडेल आहे जे विभक्त टोकनऐवजी सततच्या अंतरात कार्य करते. ते उच्च-विश्वासू 44.1kHz ऑडिओ तयार करते,3- 10 सेकंद पासून शून्य-शॉट आवाज क्लोनिंगला समर्थन देते, आणि अनुच्छेद दरम्यान एकसमानता राखते. क्रॉस-भाषा क्लोनिंग तुम्हाला चिनी भाषणासाठी इंग्रजी आवाज लागू करण्यास परवानगी देते आणि उलट.
OpenBMB
Apache 2.0
Fast
en, zh
4GB
होय
2x
OuteTTS
Free
OuteTTS मूलभूत वास्तुकला संरक्षित करत असताना पाठ्य-भाषण क्षमतांसह मोठ्या भाषा मॉडेल्स विस्तारित करते. ते lama. cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, आणि Transformers. js द्वारे ब्राउझर इन्फरन्ससह अनेक बॅकएंडला समर्थन देते. JSON म्हणून संचयित स्पीकर प्रोफाइलद्वारे शून्य-शॉट आवाज क्लोनिंगची वैशिष्ट्ये.
OuteAI
Apache 2.0
Fast
en
2GB
होय
मोकळे
TADA
Standard
ह्यूम एआयद्वारे TADA (टेक्स्ट-अकूस्टिक ड्युअल अलायन्समेंट) हे एक अद्ययावत TTS मॉडेल आहे जे लॅमा 3.2 वर बांधलेल्या नवीन ड्युअल अलायन्समेंट आर्किटेक्चरद्वारे हॅलुसिनेशन काढून टाकते. 1B (इंग्रजी) आणि 3B (बहुभाषिक) व्हेरिएंटमध्ये उपलब्ध, TADA 0.09 - 5x वेगवान आरटीएफ प्राप्त करते जे तुलनेने LLM-आधारित TTS मॉडेलपेक्षा वेगवान आहे. ते ऑडिओ संदर्भाच्या 700 सेकंदपर्यंत समर्थन करते आणि मानक बेंचमार्कवर शून्य हॅलुसिनेशनसह भावनात्मकपणे अभिव्यक्तीशील भाषण तयार करते.
Hume AI
MIT
Fast
en
5GB
नाही
2x
VibeVoice
Standard
मायक्रोसॉफ्टच्या व्हाइब्वाईसमध्ये दोन प्रकार आहेत: लांब स्वरूपाच्या संदर्भासाठी 1.5B मॉडेल (90 मिनिटांपर्यंत,4स्पीकर) आणि ~200ms प्रथम ऑडिओ लेटेंसीसह स्ट्रीमिंगसाठी रियलटाइम 0.5B मॉडेल.
Microsoft
MIT
Fast
en, zh
4GB
नाही
2x
Pocket TTS
Free
पोकेमॉन गो (Moji चे निर्माता) द्वारे पोकेमॉन TTS एक संकुचित 100M पैरामीटर पाठ्य- ते- वक्तव्य मॉडेल आहे जे त्याच्या वजनाच्या वर जातो. ते CPU वर कार्यक्षमरित्या चालते, एकल ऑडिओ नमूने पासून शून्य- शॉट आवाज क्लोनिंग समर्थन करते, आणि नैसर्गिक- आवाजाचा आवाज निर्माण करते. लहान मॉडेल आकार हे अत्यंत वापरासाठी आणि कमी स्त्रोत वातावरणासाठी आदर्श बनवितो.
Kyutai
MIT
Fast
en, fr
1GB
होय
मोकळे
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
नाही
मोकळे
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
होय
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
होय
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
होय
4x
Kokoro
मोकळे
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
मोकळे
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
मोकळे
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
मोकळे
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
मोकळे
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
मोकळे
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
मोकळे
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
मुलभूत
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
नाही
Bark Small
मुलभूत
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
नाही
CosyVoice 2
मुलभूत
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
होय
Dia TTS
मुलभूत
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
नाही
Parler TTS
मुलभूत
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
नाही
GLM-TTS
मुलभूत
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
होय
IndexTTS-2
मुलभूत
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
होय
Spark TTS
मुलभूत
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
होय
GPT-SoVITS
मुलभूत
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
होय
Orpheus
मुलभूत
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
नाही
Qwen3 TTS
मुलभूत
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
होय
Chatterbox Turbo
मुलभूत
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
होय
Zonos
मुलभूत
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
होय
Dia 2
मुलभूत
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
नाही
VoxCPM
मुलभूत
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
होय
TADA
मुलभूत
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
नाही
VibeVoice
मुलभूत
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
नाही
CosyVoice3
मुलभूत
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
होय
Chatterbox
प्रीमियम
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
होय
4GB
4x
Tortoise TTS
प्रीमियम
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
होय
8GB
4x
StyleTTS 2
प्रीमियम
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
नाही
4GB
4x
OpenVoice
प्रीमियम
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
होय
4GB
4x
Sesame CSM
प्रीमियम
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
नाही
8GB
4x
MOSS-TTS
प्रीमियम
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
होय
16GB
4x
MegaTTS3
प्रीमियम
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
होय
8GB
4x
मॉडेल तुलना तालिका
| मॉडेल | डेव्हलपर: | टर | गुणवत्ता: | वेग | भाषाName | आवाज क्लोनिंग | VRAM | परवाना: | क्रेडिट | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | मोकळे | वापरा | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | मोकळे | वापरा | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | मोकळे | वापरा | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | मोकळे | वापरा | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | वापरा | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | वापरा | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | वापरा | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | वापरा | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | वापरा | ||
| GLM-TTS | Zhipu AI | Standard | Medium | 2 | 4GB | GLM-4 License | 2 | वापरा | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Bilibili Model License | 2 | वापरा | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | वापरा | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | वापरा | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | वापरा | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | वापरा | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | वापरा | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | वापरा | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | वापरा | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | वापरा | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | वापरा | ||
| Chatterbox Turbo | Resemble AI | Standard | Fast | 1 | 2GB | MIT | 2 | वापरा | ||
| Zonos | Zyphra | Standard | Medium | 5 | 6GB | Apache 2.0 | 2 | वापरा | ||
| Dia 2 | Nari Labs | Standard | Fast | 1 | 4GB | Apache 2.0 | 2 | वापरा | ||
| VoxCPM | OpenBMB | Standard | Fast | 2 | 4GB | Apache 2.0 | 2 | वापरा | ||
| OuteTTS | OuteAI | Free | Fast | 1 | 2GB | Apache 2.0 | मोकळे | वापरा | ||
| TADA | Hume AI | Standard | Fast | 1 | 5GB | MIT | 2 | वापरा | ||
| VibeVoice | Microsoft | Standard | Fast | 2 | 4GB | MIT | 2 | वापरा | ||
| Pocket TTS | Kyutai | Free | Fast | 2 | 1GB | MIT | मोकळे | वापरा | ||
| Kitten TTS | KittenML | Free | Fast | 1 | 0GB | Apache 2.0 | मोकळे | वापरा | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | Fast | 9 | 4GB | Apache 2.0 | 2 | वापरा | ||
| MOSS-TTS | OpenMOSS | Premium | Medium | 19 | 16GB | Apache 2.0 | 4 | वापरा | ||
| MegaTTS3 | ByteDance | Premium | Slow | 2 | 8GB | Apache 2.0 | 4 | वापरा |
सर्वात व्यापक AI पाठ्य ते वक्तृत्व मंचName
TTS.ai हा शब्दलेखनासाठी का निवडला जातो?
TTS.ai जगातील सर्वोत्तम ओपन सोर्स पाठ-भाषेत मॉडेल एकत्र आणते, एकच, वापरण्यास सोपे प्लॅटफॉर्म. मालकीच्या सेवांप्रमाणेच जे तुम्हाला एकाच आवाज इंजिनमध्ये बंद करतात, TTS.ai तुम्हाला Coqui, MyShell, Amphion, NVIDIA, Suno, HuggingFace, Tsinghua University आणि इतरांसह अग्रगण्य संशोधन प्रयोगशाळापासून 20+ मॉडेलचा वापर करण्यास परवानगी देते.
प्रत्येक मॉडेल MIT, Apache 2.0, किंवा अशाच प्रकारच्या परवाना अंतर्गत ओपन सोर्स आहे, जेणेकरून तुम्हाला तुमच्या प्रकल्पात निर्माण केलेले ऑडिओ वापरण्यासाठी पूर्ण व्यावसायिक अधिकार मिळतील. तुम्हाला गती, वास्तविक-वेळ अनुप्रयोगांसाठी हलके संश्लेषण किंवा ऑडिओबुक आणि पॉडकास्टसाठी प्रीमियम स्टुडिओ-गुणवत्तेचे आऊटपुट हवे असल्यास, TTS.ai प्रत्येक वापरासाठी योग्य मॉडेल आहे.
मोफत मॉडेल, खाते आवश्यक नाही
तीन मोफत TTS मॉडेल्ससह त्वरित सुरू करा: Piper (अत्यंत जलद, हलके), VITS (उच्च दर्जाचे न्यूरल संश्लेषण), व MeloTTS (बहुभाषिक समर्थन). नोंदणी नाही, क्रेडिट कार्ड नाही, पिढ्यांवर मर्यादा नाही. मोफत मॉडेल्स इंग्रजी व इतर अनेक भाषांना समर्थन देतात ज्यात बहुतेक अनुप्रयोगांसाठी योग्य नैसर्गिक आवाज आऊटपुट आहे.
GPU- त्वरित प्रक्रिया
सर्व TTS मॉडेल NVIDIA GPU वर चालतात जेणेकरून ते वेगाने आणि स्थिरपणे निर्माण करू शकतील. मोफत मॉडेल साधारणपणे2सेकंदांमध्ये ऑडिओ तयार करतात. Kokoro, CosyVoice2आणि Bark सारखे मानक मॉडेल सरासरी 3-5 सेकंदांमध्ये. Tortoise आणि Chatterbox सारखे उच्च दर्जाचे प्रीमियम मॉडेल, पाठ्य लांबीनुसार 5-15 सेकंदांमध्ये प्रक्रिया करतात.
30+ भाषा समर्थित
30 पेक्षा जास्त भाषांमधील भाषण तयार करा ज्यात इंग्रजी, स्पॅनिश, फ्रेंच, जर्मन, इटालियन, पोर्तुगीज, चिनी, जपानी, कोरियाई, अरबी, हिंदी, रशियन, आणि इतर अनेक भाषा समाविष्ट आहेत. अनेक मॉडेल क्रॉस-भाषा संश्लेषणाला समर्थन देतात, म्हणजेच तुम्ही मूळ आवाज कधीही शिकवलेले नसलेल्या भाषेत भाषण तयार करू शकता. कॉसीव्हॉईस2आणि जीपीटी-सोविट्स क्रॉस-भाषा आवाज क्लोनिंगमध्ये उत्कृष्ट आहेत.
डेव्हलपर- सज्ज API
आपल्या अनुप्रयोगांमध्ये TTS.ai आपल्या OpenAI-सुसंगत REST API सोबत एकत्र करा. सर्व 20+ मॉडेल्ससाठी एक एंडपॉइंट. पायथन, जावास्क्रिप्ट, cURL, आणि Go SDKs. वास्तविक वेळ अनुप्रयोगांसाठी स्ट्रीमिंग समर्थन. मोठ्या प्रमाणावर सामग्री निर्मितीसाठी बॅच प्रोसेसिंग. असिंक सूचनांसाठी वेबहूक्स. प्रो आणि एन्टरप्राइज प्लॅन्सवर उपलब्ध.
वारंवार विचारले जाणारे प्रश्न
आपण काय सुधारू शकतो? तुमचा प्रतिसाद आम्हाला समस्या सोडवण्यात मदत करतो.
पाठ्य- ते- वक्तव्य रूपांतरण आता सुरू करा
TTS.ai वापरून हजारो निर्माता सामील. नवीन खाते 15,000 मोफत अक्षरे मिळवा. नोंदणीशिवाय मोफत मॉडेल उपलब्ध.