Test għal Diskors

Kokoro huwa 82 miljun parametru test-to-talk mudell li punches sew fuq il-klassi tal-piż tagħha. Minkejja d-daqs żgħir tagħha, li tipproduċi diskors notevoli naturali u espressiv. Kokoro jappoġġja lingwi multipli inklużi l-Ingliż, Ġappuniż, Ċiniż, u Korean b'varjetà ta' vuċijiet espressivi.

Piper huwa softwer li jbiddel it-test f’diskors, żviluppat minn Rhasspy, li juża l-arkitettura VITS u l-arkitettura tal-larinġ. Dan jaħdem kompletament fuq il-CPU, u għalhekk huwa ideali għal apparati tat-tarf, awtomazzjoni tad-dar, u applikazzjonijiet li jeħtieġu TTS offline.

VITS (Inferenza varjazzjonali b’tagħlim avversarju għal Test-to-Speech minn tarf sa tarf) huwa metodu parallel ta’ TTS minn tarf sa tarf li jiġġenera awdjo b’ħoss aktar naturali mill-mudelli kurrenti f’żewġ stadji.Tadotta inferenza varjazzjonali miżjuda bi flussi ta’ normalizzazzjoni u proċess ta’ taħriġ avversarju, li jikseb titjib sinifikanti fin-naturalezza.

MeloTTS minn MyShell.ai hija librerija TTS multilingwi li tappoġġja l-Ingliż (Amerikan, Brittanniku, Indjan, Awstraljan), l-Ispanjol, il-Franċiż, Ċiniż, Ġappuniż u Korean. Huwa estremament mgħaġġel, ipproċessar test fi kważi veloċità fil-ħin reali fuq CPU waħdu.MeloTTS huwa ddisinjat għall-użu tal-produzzjoni u jappoġġja kemm CPU u GPU inferenza.

Bark minn Suno huwa mudell test-to-audio ibbażat fuq transformer li jista' jiġġenera diskors multilingwi realistiku ħafna kif ukoll awdjo ieħor bħal mużika, ħsejjes fl-isfond u effetti tal-ħoss. Huwa jista' jipproduċi komunikazzjonijiet nonverbali bħal daħk, sighing u biki.

Bark Small huwa verżjoni distillat tal-mudell Bark li kummerċ xi kwalità awdjo għal veloċitajiet inferenza sinifikament aktar mgħaġġla u rekwiżiti memorja aktar baxxi.Hija żżomm l-abbiltà Bark biex jiġġeneraw diskors bl-emozzjonijiet, daħk, u lingwi multipli.

CosyVoice 2 minn Tongyi Lab ta' Alibaba jikseb kwalità tad-diskors komparabbli mal-bniedem b'latenza estremament baxxa, u b'hekk huwa ideali għal applikazzjonijiet f'ħin reali.Uża approċċ ta' kwantifikazzjoni skalari finita għas-sinteżi tal-fluss u jappoġġja klonazzjoni tal-vuċi ta' sparatura żero, sinteżi translingwistika, u kontroll tal-emozzjonijiet ta' qamħ fin. Huwa jaqbeż ħafna sistemi kummerċjali TTS f'evalwazzjonijiet suġġettivi.

Dia minn Nari Labs huwa mudell ta' test għal diskors b'parametru ta' 1.6B iddisinjat speċifikament biex jiġġenera djalogu bejn kelliema multipli. Huwa jista' jipproduċi konversazzjonijiet li jħossuhom naturali bejn żewġ kelliema b'mod xieraq ta' teħid ta' dawriet, prosodija u espressjoni emozzjonali.

Parler TTS huwa mudell ta' test għal diskors li juża deskrizzjonijiet bil-vuċi ta' lingwa naturali biex jikkontrolla d-diskors iġġenerat. Minflok ma tagħżel minn vuċijiet predefiniti, inti tiddeskrivi l-vuċi li trid (eż., "vuċi femminili sħuna b'aċċent Brittaniku ħafif, titkellem bil-mod u b'mod ċar") u Parler jiġġenera diskors li jaqbel ma' dik id-deskrizzjoni.

GLM-TTS minn Zhipu AI hija sistema ta' test għal diskors mibnija fuq l-arkitettura Llama b'tqabbil tal-fluss.Tkun tikseb l-inqas rata ta' żball tal-karattru fost il-mudelli TTS b'sors miftuħ, li jfisser li tipproduċi l-aktar pronunzja preċiża.GLM-TTS jappoġġja l-Ingliż u ċ-Ċiniż b'ikklonjar tal-vuċi minn kampjuni awdjo ta' 3-10 sekondi.

IndexTTS-2 huwa sistema avvanzata ta’ test għal diskors li teċċella fis-sinteżi tal-vuċi b’kontroll tal-emozzjonijiet ta’ kwalità għolja. Dan jista’ jiġġenera diskors b’ton emozzjonali speċifiku bħal kuntent, imdejjaq, irrabjat jew biżgħat mingħajr ma jkun jeħtieġ dejta ta’ taħriġ speċifika għall-emozzjonijiet.

Spark TTS minn SparkAudio huwa mudell ta' test għal diskors li jgħaqqad l-ikklonjar tal-vuċi ma' emozzjoni u stil ta' diskors li jistgħu jiġu kkontrollati. Bl-użu ta' 5 sekondi biss ta' awdjo ta' referenza, jista' jikklonja vuċi u mbagħad jiġġenera diskors b'emozzjonijiet, veloċitajiet u stili differenti filwaqt li jżomm l-identità tal-vuċi kklonjata.

GPT-SoVITS jgħaqqad l-immudellar tal-lingwa fl-istil GPT ma' SoVITS (Singing Voice Inference via Translation and Synthesis) għal klonazzjoni tal-vuċi b'saħħitha ta' ftit shots. B'inqas minn 5 sekondi ta' awdjo ta' referenza, jista' jikklona b'mod preċiż vuċi u jiġġenera diskors ġdid filwaqt li jippreserva l-karatteristiċi uniċi tal-kelliem.

Orpheus huwa mudell fuq skala kbira ta' test għal diskors li jikseb espressjoni emozzjonali fil-livell tal-bniedem. Imħarreġ fuq aktar minn 100,000 siegħa ta' dejta diversa dwar id-diskors, jeċċella fil-ġenerazzjoni ta' diskors b'emozzjonijiet naturali, enfasi u stili ta' diskors.

Chatterbox minn Resemble AI huwa mudell ta’ klonazzjoni tal-vuċi ta’ l-aħħar li jista’ jirreplika kwalunkwe vuċi minn kampjun awdjo wieħed bi preċiżjoni notevoli, u li jaqbad mhux biss it-timbra imma wkoll l-istil tat-taħdit u s-sfumaturi emozzjonali. Chatterbox għandu wkoll kontroll ta’ l-emozzjonijiet ta’ kwalità għolja, li jippermettilek li taġġusta t-ton emozzjonali tad-diskors iġġenerat indipendentement mill-identità tal-vuċi.

Tortoise TTS hija sistema ta' test għal diskors b'ħafna vuċijiet li tirrigressa awtomatikament u li tagħti prijorità lill-kwalità tal-awdjo fuq il-veloċità. Hija tuża arkitettura ispirata minn DALL-E biex tiġġenera diskors naturali ħafna b'prożodija eċċellenti u xebħ tal-kelliem.

StyleTTS 2 jikseb sinteżi TTS fil-livell tal-bniedem billi jgħaqqad id-diffużjoni tal-istil ma' taħriġ avversarju bl-użu ta' mudelli kbar tal-lingwa tad-diskors. Jiġġenera l-aktar diskors naturali fost mudelli ta' kelliem wieħed, li jirbħu r-reġistrazzjonijiet tal-bniedem.

OpenVoice minn MyShell.ai jippermetti l-ikklonjar tal-vuċi immedjat b'kontroll granulari fuq l-istil tal-vuċi, l-emozzjoni, l-aċċent, ir-ritmu, il-pausi u l-intonazzjoni.Jista' jikklonja vuċi minn klipp awdjo qasir u jiġġenera diskors f'lingwi multipli filwaqt li jżomm l-identità tal-kelliem.OpenVoice jaħdem ukoll bħala konvertitur tal-vuċi, li jippermetti trasformazzjoni tal-vuċi f'ħin reali.

Qwen3-TTS huwa mudell ta' 1.7 biljun parametru test-to-speech mit-tim Qwen ta' Alibaba. Huwa jappoġġja tliet modi: vuċijiet issettjati minn qabel b'kontroll tal-emozzjoni (9 kelliema), klonazzjoni tal-vuċi minn 3 sekondi biss ta' awdjo, u mod uniku ta' disinn tal-vuċi fejn tiddeskrivi l-vuċi li trid f'lingwa naturali.

Is-Sesame CSM (Conversational Speech Model) huwa mudell ta' 1 biljun parametru ddisinjat speċifikament għall-ġenerazzjoni ta' diskors konversazzjonali. Huwa jimmudella l-mudelli naturali tal-konversazzjoni umana inkluż it-teħid taż-żmien, ir-reazzjonijiet backchannel, ir-reazzjonijiet emozzjonali, u l-fluss konversazzjonali.

Chatterbox Turbo minn Resemble AI huwa aġġornament tal-parametru 350M għal Chatterbox, li jagħti sa 6x veloċità fil-ħin reali b'latenza ta' taħt il-200ms. Jappoġġja tikketti paralingwistiċi bħal [daħk], [sogħla], u [tgħawwiġ] direttament fit-test.

Zonos v0.1 minn Zyphra huwa mudell ta’ parametru 1.6B li fih kontroll ta’ emozzjonijiet ta’ daqs fin b’slajders għall-ferħ, għaraq, dwejjaq, biża’ u sorpriża. Huwa joffri kemm Transformer kif ukoll varjant ġdid ta’ SSM (mudell ta’ spazju-stat).

Dia2 minn Nari Labs huwa aġġornament streaming-ewwel għal Dia, disponibbli fil 1B u 2B varjanti parametru. Huwa jibda sintetizza awdjo mill-ewwel ftit tokens, li jagħmilha ideali għall-aġenti vuċi fil-ħin reali u diskors-to-diskors pipelines. jappoġġja djalogu multi-speaker ma [S1] / [S2] tags u paralinguistic cues bħal (daħk), (sogħla).

VoxCPM 1.5 minn OpenBMB huwa mudell ġdid TTS mingħajr tokenizer li jopera fi spazju kontinwu minflok tokens diskreti. Huwa jipproduċi awdjo 44.1kHz ta' fidi għolja, jappoġġja klonazzjoni tal-vuċi zero-shot minn 3-10 sekondi, u jżomm konsistenza bejn il-paragrafi.

OuteTTS jestendi mudelli lingwistiċi kbar b'kapaċitajiet ta' test-to-speech filwaqt li jippreserva l-arkitettura oriġinali. Huwa jappoġġja backends multipli inkluż llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, u anke inferenza tal-browser permezz ta' Transformers.js.

TADA (Test-Acoustic Dual Alignment) minn Hume AI huwa mudell TTS rivoluzzjonarju li jelimina l-alluċinazzjonijiet permezz ta' arkitettura ġdida ta' allinjament doppju mibnija fuq Llama 3.2. Disponibbli f'1B (Ingliż) u 3B (multilingwi), TADA jikseb RTF ta' 0.09 — 5x aktar mgħaġġel minn mudelli TTS ibbażati fuq LLM komparabbli.

VibeVoice minn Microsoft jiġi f'żewġ varjanti: mudell 1.5B għal kontenut ta' forma twila (sa 90 minuta, 4 kelliema) u mudell Realtime 0.5B għall-istrimjar b'latenza tal-awdjo tal-ewwel ~ 200ms.Il-varjant 1.5B jeċċella fil-podcasts u l-awdjokotba b'konsistenza tal-kelliema fuq passaġġi twal. Nota: Microsoft neħħiet il-kodiċi TTS mir-repożitorju u l-awdjo ġġenerat jinkludi ċaħdiet ta' AI li jinstemgħu.

Pocket TTS minn Kyutai (kreaturi tal-Moshi) huwa mudell kompatti 100M parametru test-to-diskors li punches sew fuq il-piż tiegħu. Huwa jimxi b'mod effiċjenti fuq CPU, jappoġġja klonazzjoni vuċi żero-shot minn kampjun awdjo wieħed, u jipproduċi diskors naturali-ħoss.

Kitten TTS by KittenML is an ultra-lightweight text-to-speech model built on ONNX. With variants from 15M to 80M parameters (25-80 MB on disk), it delivers high-quality voice synthesis on CPU without requiring a GPU. Features 8 built-in voices, adjustable speech speed, and built-in text preprocessing for numbers, currencies, and units. Ideal for edge deployment and low-latency applications.

CosyVoice3 is the latest evolution from Alibaba's FunAudioLLM team. It features bi-streaming inference with ~150ms latency, instruction-based control for emotion/speed/volume, and improved speaker similarity for zero-shot cloning. Supports 9 languages plus 18 Chinese dialects. RL-tuned variant delivers state-of-the-art prosody.

MOSS-TTS from OpenMOSS supports generation of up to 1 hour of continuous speech across 20 languages. Features token-level duration control, phoneme-level pronunciation control via IPA/Pinyin, and code-switching between languages. The 8B production model delivers state-of-the-art quality with zero-shot voice cloning from reference audio.

MegaTTS3 from ByteDance uses a novel sparse alignment mechanism combined with a latent diffusion transformer. Features adjustable trade-off between speech intelligibility and speaker similarity for zero-shot voice cloning.