AI စာသားမှစကားပြော

Kokoro သည်၎င်း၏အလေးချိန်အတန်းထက်ကောင်းစွာထိုးသွင်းသော 82 သန်း parameter text-to-speech model တစ်ခုဖြစ်သည်။ ၎င်း၏သေးငယ်သောအရွယ်အစားကိုပင်ဖြစ်စေ၊ ၎င်းသည်ထူးခြားစွာသဘာဝနှင့်အသံထွက်ပြောဆိုမှုကိုထုတ်လုပ်သည်။ Kokoro သည်အင်္ဂလိပ်၊ ဂျပန်၊ တရုတ်နှင့်ကမ္ဘာ့ဘာသာစကားများစွာကိုထောက်ခံသည်။

Piper သည် VITS နှင့် larynx architectures ကိုအသုံးပြုသော Rhasspy မှတီထွင်ထားသော အလေးချိန်သက်သာသော text-to-speech engine တစ်ခုဖြစ်သည်။ ၎င်းသည် CPU ပေါ်တွင်လုံးဝလည်ပတ်ပြီး Edge Devices, အိမ်သုံးစက်ကိရိယာများနှင့် offline TTS ကိုလိုအပ်သော application များအတွက်အလွန်သင့်လျော်သည်။ 30+ ဘာသာစကားများအကြား 100 အသံများဖြင့် Piper သည် Raspberry Pi တွင်ပင်အမှန်တကယ်အချိန်အမြန်နှုန်းဖြင့်သဘာဝအသံထွက်စကားပြောဆိုမှုပေးသည်။ 4.

VITS (end-to-end Text-to-Speech အတွက် adversarial သင်ယူမှုနှင့်အတူ Variation Inference) ဟာလက်ရှိနှစ်ဆင့်မော်ဒယ်များထက်ပိုမိုသဘာဝကျကျအသံထွက်သောအသံကိုထုတ်လုပ်ပေးသောပထမဆုံးအဆင့်မှအဆုံးသတ် TTS နည်းလမ်းတစ်ခုဖြစ်သည်။ သဘာဝကျကျအရည်အသွေးမြင့်မားစေရန်အတွက် သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော သဘာဝကျကျဖြစ်ပေါ်လာသော

MeloTTS by MyShell.ai is an 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.

Suno အားဖြင့် Bark ဟာအလွန်အမှန်တကယ်ဖြစ်စေနိုင်တဲ့ transformer-based text-to-audio model တစ်ခုဖြစ်ပါတယ်, ဘာသာစကားများစွာပြောဆိုခြင်းနှင့်ဂီတကဲ့သို့အခြားအသံများ, နောက်ခံအသံ, နှင့်အသံသက်ရောက်မှုများ. ဒါဟာရယ်မောခြင်း, ငိုကြွေးခြင်းနှင့်ငိုခြင်းကဲ့သို့သောစကားလုံးမပါသောဆက်သွယ်မှုများကိုထုတ်လုပ်နိုင်သည်။ Bark သည် 100 speaker presets နှင့် 13+ ဘာသာစကားများကိုထောက်ပံ့သည်။

Bark Small ထင်ရှားစွာပိုမိုမြန်ဆန် inference မြန်နှုန်းနှင့်အနည်းငယ်မှတ်ဉာဏ်လိုအပ်ချက်များကိုများအတွက်အချို့သော audio အရည်အသွေးကိုကုန်သွယ် Bark ပုံစံ၏တစ်ဦးစွန့်ပစ်ဗားရှင်းဖြစ်ပါသည်. ဒါဟာစိတ်ခံစားမှုနှင့်အတူစကားပြောထုတ်လုပ်ရန် Bark ရဲ့စွမ်းရည်ကိုထိန်းသိမ်းထား, ရယ်မော, နှင့်ဘာသာစကားများစွာ.

CosyVoice2Alibaba ၏ Tongyi Lab ကအလွန်နိမ့် latency နှင့်အတူလူသား-နှိုင်းယှဉ်စကားပြောအရည်အသွေးကိုရရှိ, အစစ်အမှန်အချိန် applications များအဘို့အသင့်လျော်သောဖြစ်စေသည်။ ဒါဟာ streaming ပေါင်းစပ်အတွက်အဆုံးသတ် scalar quantization နည်းလမ်းကိုအသုံးပြုပြီး Zero-shot အသံ clone ကိုထောက်ခံ, cross-ဘာသာစကားပေါင်းစပ်, နှင့် fine-grained စိတ်ခံစားမှုထိန်းချုပ်မှု။ ဒါဟာ subjective ဆန်းစစ်ခြင်းများပြုလုပ်ထားခြင်းတွင်အများအပြားစီးပွားရေးလုပ်ငန်း TTS စနစ်များကို outperform ။

Nari Labs မှ Dia သည် 1.6B parameter text-to-speech model ဖြစ်ပြီး အမျိုးမျိုးသော speaker များကြားတွင် စကားပြောဆိုမှု ပြုလုပ်ရန် ရည်ရွယ်ထားသည်။ ၎င်းသည် သင့်လျော်သော turn-taking, prosody နှင့် စိတ်ခံစားမှု ထုတ်ဖော်ပြောဆိုမှု တို့ဖြင့် speaker နှစ်ဦးအကြား သဘာဝကျကျ ထွက်ပေါ်လာသော စကားပြောဆိုမှုများကို ထုတ်လုပ်နိုင်သည်။ Dia သည် podcast-style content, audiobook dialogues နှင့် အပြန်အလှန်စကားပြော AI များကို ဖန်တီးရန်အတွက် သင့်လျော်သည်။

Parler TTS ထုတ်လုပ်စကားပြောကိုထိန်းချုပ်ဖို့သဘာဝဘာသာစကားအသံဖော်ပြချက်ကိုအသုံးပြုသောစာသား-to-စကားပြောမော်ဒယ်တစ်ခုဖြစ်ပါသည်. preset အသံများမှရွေးချယ်ခြင်းအစား, သင်လိုချင်သောအသံကိုဖော်ပြ (ဥပမာ, "အနည်းငယ်ဘရစ်တန်အသံနှင့်အတူအေးမြအမျိုးသမီးအသံ, နှေးနှင့်ရှင်းလင်းစွာပြောဆို") နှင့် Parler ထုတ်လုပ်စကားပြောကိုဖော်ပြချက်ကိုလိုက်ဖက်တဲ့. ဒီဖန်တီးမှု applications များအတွက်ထူးခြားတဲ့ပြောင်းလွယ်ပြင်လွယ်ဖြစ်စေသည်။

GLM-TTS by Zhipu AI isatext-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.

IndexTTS-2 သည် အလွန်ကောင်းမွန်သော ခံစားမှုထိန်းချုပ်မှုနှင့်အတူ zero-shot voice synthesis တွင် ထူးချွန်သော အဆငျ့မွငျ့ စာသားမှစကားပြောစနစ် ဖြစ်သည်။ ၎င်းသည် ခံစားမှု-တိကျသော လေ့ကျင့်ရေးဒေတာများ မလိုအပ်ဘဲ ပျော်ရွှင်မှု၊ ဝမ်းနည်းမှု၊ ဒေါသ၊ သို့မဟုတ် ကြောက်ရွံ့မှုကဲ့သို့သော တိကျသော ခံစားမှုအသံများကို ထုတ်လုပ်နိုင်သည်။

Spark TTS by SparkAudio isatext-to-speech model that combines voice cloning with controllable emotion and speaking style. မှတ်ချက်အသံ၏5စက္ကန့်သာအသုံးပြုခြင်း, it can cloneavoice and then generate speech with different emotions, speeds, and styles while maintaining the cloned voice identity. Spark TTS သည် prompt-based control system ကိုအသုံးပြုသည်။

GPT-SoVITS SoVITS နှင့်အတူ GPT-style ဘာသာစကား modeling ကိုပေါင်းစပ် (ဘာသာပြန်ခြင်းနှင့်ပေါင်းစပ်ခြင်းမှတဆင့်သီချင်းဆိုခြင်းအသံ Inference) အစွမ်းထက်အနည်းငယ်-ရိုက်ချက်အသံ cloning များအတွက်. နည်းနည်းအဖြစ်5စက္ကန့်အရည်အသွေးမြင့် audio ကို, ဒါဟာတိကျစွာစကားပြောသူ၏ထူးခြားသောလက္ခဏာများကိုထိန်းသိမ်းထားစဉ်အသံကို clone နိုင်ပြီးစကားပြောအသစ်ကိုထုတ်လုပ်. ဒါဟာစကားပြောနှင့်သီချင်းဆိုအသံပေါင်းစပ်ခြင်းနှစ်ခုလုံးတွင်ထူးချွန်.

Orpheus သည် လူသားအဆင့် စိတ်ခံစားမှု ထုတ်ဖော်ပြောဆိုမှုကို ရရှိစေသော ကြီးမားသော အတိုင်းအတာဖြင့် စာသားမှစကားပြောသည့် မော်ဒယ်တစ်ခုဖြစ်သည်။ ကွဲပြားခြားနားသော စကားပြော အချက်အလက်များ၏ 100,000 နာရီ ကျော်တွင် လေ့ကျင့်သင်ကြားထားသည့် Orpheus သည် သဘာဝကျသော စိတ်ခံစားမှု၊ အာရုံစူးစိုက်မှုနှင့် စကားပြောစတိုင်များဖြင့် စကားပြောမှုကို ထုတ်လုပ်ရာတွင် ထူးချွန်သည်။ Orpheus သည် လူသား မှတ်တမ်းတင်မှုများမှ ခွဲခြားမရနိုင်သော စကားပြောကို ထုတ်လုပ်နိုင်သည်။

Chatterbox by Resemble AI is an cutting-edge zero-shot voice cloning model. It can replicate any voice fromasingle audio sample with remarkable accuracy, capturing not only 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.

Tortoise TTS သည်အမြန်နှုန်းထက် audio အရည်အသွေးကို ဦး စားပေးသည့် autoregressive multi-voice text-to-speech system တစ်ခုဖြစ်သည်။ ၎င်းသည်အလွန်ကောင်းမွန်သော prosody နှင့် speaker တူညီမှုနှင့်အတူအလွန်သဘာဝကျသောစကားပြောခြင်းကိုဖြစ်ပေါ်စေရန် DALL-E-စိတ်အားထက်သန်သောဗိသုကာပညာကိုအသုံးပြုသည်။

StyleTTS2ကြီးမားသောစကားပြောဘာသာစကားမော်ဒယ်များအသုံးပြုခြင်းအားဖြင့်ဆန့်ကျင်ဘက်လေ့ကျင့်ရေးနှင့်အတူစတိုင်ပျံ့နှံ့ပေါင်းစပ်ခြင်းအားဖြင့်လူ့-အဆင့် TTS ပေါင်းစပ်အောင်မြင်သည်။ ဒါဟာလူ့မှတ်တမ်းတင်ပြိုင်ဘက်တစ်ဦးတည်းသောပြောဆိုသူမော်ဒယ်များအကြားအများဆုံးသဘာဝအသံထွက်စကားပြောဖြစ်ပေါ်စေသည်။ StyleTTS2လူ့စကားပြောကွဲပြားမှု၏အပြည့်အဝအကွာအဝေးကိုဖမ်းဖို့စတိုင်ပျံ့နှံ့အခြေခံစတိုင် modeling ကိုအသုံးပြုသည်။

MyShell.ai အားဖြင့် OpenVoice အသံစတိုင်, စိတ်ခံစားမှု, အသံထွက်, စည်းချက်, ရပ်နား, နှင့် intonation အပေါ် granular ထိန်းချုပ်မှုနှင့်အတူချက်ချင်းအသံ cloning ခွင့်ပြု. ဒါဟာအတို audio clip မှအသံကို clone နိုင်ပြီးစကားပြောသူအမည်ကိုထိန်းသိမ်းထားစဉ်ဘာသာစကားများစွာတွင်စကားပြောထုတ်လုပ်. OpenVoice လည်းအသံ converter အဖြစ် functions, အစစ်အမှန်အချိန်အသံပြောင်းလဲမှုခွင့်ပြု.

Qwen3-TTS သည် Alibaba ၏ Qwen အဖွဲ့မှ 1.7 ဘီလီယံ parameter text-to-speech model တစ်ခုဖြစ်သည်။ ၎င်းသည် mode သုံးခုကိုထောက်ပံ့သည်။ ခံစားမှုထိန်းချုပ်မှုနှင့်အတူ preset အသံများ (9 speakers),3စက္ကန့်အသံခိုးယူခြင်းနှင့်သင်လိုချင်သောအသံကိုသဘာဝဘာသာစကားဖြင့်ဖော်ပြသည့်ထူးခြားသောအသံဒီဇိုင်း mode ဖြစ်သည်။ ၎င်းသည်မြင့်မားသောဖော်ပြမှုနှင့်သဘာဝ prosody နှင့်အတူဘာသာစကား ၁၀ ခုကိုဖုံးလွှမ်းသည်။

Sesame CSM (Conversational Speech Model) 1 ဘီလီယံ parameter ကိုမော်ဒယ်စကားပြောပြောဆိုမှုဖန်တီးရန်အထူးဒီဇိုင်းထုတ်ထားသည်။ ဒါဟာ turn-ယူအချိန်, backchannel တုံ့ပြန်မှု, စိတ်ခံစားမှုတုံ့ပြန်မှု, နှင့်စကားပြောစကားစီးဆင်းမှုအပါအဝင်လူသားစကားပြောဆိုမှု၏သဘာဝပုံစံများကို model ။ CSM synthesized စကားပြောထက်သဘာဝလူသားစကားပြောဆိုမှုလို sounds တဲ့အသံကို generates ။

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.