AI पाठबाट बोल्नName
खुला स्रोत AI नमूनाहरूसँग प्राकृतिक-सुन्ने भाषणमा पाठ रूपान्तरण गर्नुहोस् । प्रयोग गर्न निःशुल्क, खाता आवश्यक छैन ।
सटीक नियन्त्रणका लागि SSML ट्यागमा तपाईँको पाठ बेर्नुहोस्:
<speak><prosody rate="slow">Slow speech</prosody></speak>
ट्याग चयन गरिएको मोडेल बुझ्छ - यो कहाँ हुन्छ आफ्नो पाठ मा एक गिर गर्न क्लिक:
यो नमूनाले सादा पाठ पढ्दछ, त्यसैले इनलाइन ट्याग उपेक्षा गरिन्छ । ट्याग-आधारित भावनाका लागि, ओर्फिस वा बारक जस्तै अभिव्यक्तिमूलक नमूनामा स्विच गर्नुहोस् ।
अनुकूल उच्चारण परिभाषित गर्नुहोस् (शब्द = उच्चारण):
नमूना विवरण
Piper
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.
| विकासकर्ता: | Rhasspy |
| इजाजतपत्र: | MIT |
| गति | स्थिर |
| गुणस्तर: | |
| भाषाहरू | 42 भाषाहरू |
| भिआरएम | 0 (CPU only) |
| आवाज क्लोनिङ | समर्थित छैन |
राम्रो नतिजाका लागि सुझाव
- प्राकृतिक विराम र स्वरका लागि उचित विराम चिन्ह प्रयोग गर्नुहोस्
- स्पष्ट उच्चारणका लागि सङ्ख्याहरू र संक्षिप्तिकरणहरू हिज्जे गर्नुहोस्
- वाक्यांश बीच छोटो विराम सिर्जना गर्न अल्पविराम थप्नुहोस्
- लामो नाटकीय विरामका लागि ellipsis प्रयोग गर्नुहोस् (...)
- सबैभन्दा प्राकृतिक परिणामको लागि Kokoro वा CosyVoice2को प्रयास गर्नुहोस्
- बहु- वक्ता संवाद र पोडकास्ट सामाग्रीका लागि डाय प्रयोग गर्नुहोस्
क्रेडिट लागत
| टर | लागत |
|---|---|
| स्वतन्त्र | ० क्रेडिट (असीमित) |
| पूर्वनिर्धारित | २ क्रेडिट / १K क्यारेक्टर |
| प्रिमियम | ४ क्रेडिट / १K क्यारेक्टर |
कसरी AI पाठ भाषण काम गर्दछ
तीन सरल चरणहरूमा व्यावसायिक-गुणस्तर आवाजहरू सिर्जना गर्नुहोस्। कुनै प्राविधिक ज्ञान आवश्यक छैन।
तपाईँको पाठ प्रविष्ट गर्नुहोस्
तपाईँले भाषणमा रूपान्तरण गर्न चाहेको पाठ टाइप, टाँस्नुहोस् वा अपलोड गर्नुहोस् । लगइन प्रयोगकर्ताका लागि प्रति पुस्ता ५,००० क्यारेक्टरसम्म समर्थन गर्दछ । उच्चारण, विराम र जोडमा उन्नत नियन्त्रणका लागि सादा पाठ प्रयोग गर्नुहोस् वा SSML ट्याग थप्नुहोस् ।
नमूना र आवाज रोज्नुहोस्
तीन तहहरूमा 20+ AI मोडेलहरूबाट चयन गर्नुहोस्। तपाईंको सामग्रीसँग मिल्ने आवाज चयन गर्नुहोस्, आफ्नो लक्षित भाषा चयन गर्नुहोस्, 0.5x देखि 2.0x सम्म प्लेब्याक गति समायोजन गर्नुहोस्, र आफ्नो प्राथमिकता निर्गत ढाँचा चयन गर्नुहोस् (MP3, WAV, OGG, वा FLAC)।
सिर्जना र डाउनलोड गर्नुहोस्
क्लिक सिर्जना र आफ्नो अडियो सेकेन्डमा तयार छ. built-in प्लेयर संग पूर्वावलोकन, आफ्नो रोजेको ढाँचामा डाउनलोड, वा एक साझेदारी लिङ्क प्रतिलिपि. आफ्नो कार्यप्रवाहमा ब्याच प्रक्रिया र एकीकरण लागि एपीआई प्रयोग गर्नुहोस्.
पाठ वाचक प्रयोग गर्नुहोस्
AI-powered text-to-speech कसरी मानिसहरू सिर्जना, उपभोग, र उद्योगहरूको दर्जनौं मार्फत अडियो सामग्री संग अन्तरक्रिया परिवर्तन छ।
सबै पाठबाट वक्तव्यमा नमूना
TTS.ai मा उपलब्ध हरेक AI मोडेल लागि विस्तृत विनिर्देशों। गुणस्तर तुलना, गति, भाषा समर्थन, र सुविधाहरू आफ्नो परियोजना लागि सही मोडेल फेला पार्न।
Kokoro
Free
कोकोरो एक 82 मिलियन मापदण्ड पाठ-देखि-भाषण मोडेल छ कि यसको वजन वर्ग माथि राम्रो संग Punches. यसको सानो आकार बावजुद, यो उल्लेखनीय प्राकृतिक र अभिव्यक्तिशील भाषण उत्पादन. कोकोरो अंग्रेजी सहित बहु भाषाहरू समर्थन, जापानी, चिनियाँ, र कोरियाली अभिव्यक्तिपूर्ण आवाज को एक किसिम संग. यो अविश्वसनीय रूपमा छिटो चल्छ - GPU मा वास्तविक समय भन्दा लगभग 100x छिटो अडियो उत्पन्न.
Hexgrad
Apache 2.0
स्थिर
en, ja, zh, fr, it, pt, es, hi
1.5GB
होइन
स्वतन्त्र
Piper
Free
पाइपर एक हल्का पाठ-देखि-भाषण इन्जिन Rhasspy द्वारा विकसित छ जुन VITS र larynx वास्तुकला प्रयोग गर्दछ। यो सीपीयूमा पूर्ण रूपमा चल्छ, किनारा उपकरणहरू, घर स्वचालन र अफलाइन TTS आवश्यक अनुप्रयोगहरूको लागि आदर्श बनाउँछ। 100+ भाषाहरूमा 100+ आवाजहरूसँग, पाइपरले एक रास्पबेरी पाइ4मा पनि वास्तविक समय गतिमा प्राकृतिक-सुन्ने भाषण प्रदान गर्दछ।
Rhasspy
MIT
स्थिर
en, de, fr, es, it, pt, nl, pl, ru, zh, ar, cs, da, fi, el, hu, is, ka, kk, ne, no, ro, sk, sr, sv, sw, tr, uk, vi, ca, cy, fa, lv, sl, lb, eu, id, ku, ml, sq, te, ur
0 (CPU only)
होइन
स्वतन्त्र
VITS
Free
VITS (अन्त-सम्म-अन्त पाठ-देखि-भाषण लागि adversarial सिक्ने संग भिन्नता निष्कर्ष) एक समानान्तर अन्त-सम्म-अन्त TTS विधि छ कि वर्तमान दुई-चरण मोडेल भन्दा बढी प्राकृतिक ध्वनि अडियो उत्पन्न गर्दछ। यो सामान्यीकरण प्रवाह र एक adversarial प्रशिक्षण प्रक्रिया संग बढेको भिन्नता निष्कर्ष अपनाउँछ, प्राकृतिकता मा एक महत्वपूर्ण सुधार हासिल।
Jaehyeon Kim et al.
MIT
स्थिर
en, de, es, fr, pt, nl, fi, hu, bg, ja, pl
1GB
होइन
स्वतन्त्र
MeloTTS
Free
MyShell.ai द्वारा MeloTTS अंग्रेजी समर्थन एक बहुभाषी TTS लाइब्रेरी छ (अमेरिकी, ब्रिटिश, भारतीय, अष्ट्रेलियन), स्पेनिश, फ्रान्सेली, चिनियाँ, जापानी, र कोरियाली. यो अत्यधिक छिटो छ, सीपीयू एक्लै मा नजिकै वास्तविक-समय गति मा पाठ प्रक्रिया. MeloTTS उत्पादन प्रयोगको लागि डिजाइन गरिएको छ र सीपीयू र जीपीयू दुवै अनुमान समर्थन गर्दछ.
MyShell.ai
MIT
स्थिर
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
होइन
स्वतन्त्र
Bark
Standard
सुनो द्वारा Bark एक ट्रान्सफर्मर आधारित पाठ-अडियो मोडेल उच्च यथार्थवादी उत्पन्न गर्न सक्छ, बहुभाषी भाषण साथै संगीत जस्तै अन्य अडियो, पृष्ठभूमि हल्ला, र ध्वनि प्रभाव छ। यो हाँस्दै जस्तै nonverbal सञ्चार उत्पादन गर्न सक्छ, सिँगान, र रोएको। Bark माथि समर्थन 100 वक्ता presets र 13+ भाषाहरू।
Suno
MIT
ढिलो
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
होइन
2x
Bark Small
Standard
Bark सानो बार्क मोडेल को एक डिस्टिल गरिएको संस्करण छ कि व्यापार केही अडियो गुणस्तर लागि उल्लेखनीय रूपमा छिटो inferrence गति र कम स्मृति आवश्यकताहरु. यो बार्क को क्षमता भावना संग भाषण उत्पन्न गर्न राख्छ, हाँसो, र बहु भाषाहरु.
Suno
MIT
मध्यम
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
होइन
2x
CosyVoice 2
Standard
अलीबाबाको टोन्जी ल्याब द्वारा कोसीवोइस2अति कम लाटेन्सी संग मानव-समान भाषण गुणस्तर प्राप्त गर्दछ, यो वास्तविक-समय अनुप्रयोगहरूको लागि आदर्श बनाउँछ। यो स्ट्रिमिंग संश्लेषणको लागि एक सीमित स्केलर क्वान्टाइजेसन दृष्टिकोण प्रयोग गर्दछ र शून्य-शट आवाज क्लोनिंग, क्रस-भाषा संश्लेषण र राम्रो-ग्रेनेड भावना नियन्त्रण समर्थन गर्दछ। यो व्यक्तिपरक मूल्यांकनमा धेरै व्यावसायिक टीटीएस प्रणालीहरू बाहिर प्रदर्शन गर्दछ।
Alibaba (Tongyi Lab)
Apache 2.0
मध्यम
en, zh, ja, ko, fr, de, it, es
4GB
हो
2x
Dia TTS
Standard
नारी ल्याब्स द्वारा डाय एक 1.6B मापदण्ड पाठ-देखि-भाषण मोडेल विशेष रूपमा बहु-स्पीकर संवाद सिर्जना गर्न डिजाइन गरिएको छ। यो उपयुक्त टर्न-लिने, prosody, र भावनात्मक अभिव्यक्ति संग दुई वक्ताहरू बीच प्राकृतिक-सुन्दा कुराकानी उत्पादन गर्न सक्छ। डाय पोडकास्ट-शैली सामग्री सिर्जना गर्न लागि सही छ, अडियोबुक संवाद, र अन्तरक्रियात्मक संवादात्मक एआई।
Nari Labs
Apache 2.0
मध्यम
en
4GB
होइन
2x
Parler TTS
Standard
पार्लर TTS एउटा पाठ-बाट-भाषण मोडेल हो जसले उत्पन्न गरिएको भाषण नियन्त्रण गर्न प्राकृतिक भाषा आवाज वर्णन प्रयोग गर्दछ । पूर्वसेट गरिएको आवाजबाट चयन गर्नुको सट्टा, तपाईँले चाहेको आवाज वर्णन गर्नुहोस् (जस्तै, "सानो ब्रिटिश उच्चारण भएको एक न्यानो महिला आवाज, ढिलो र स्पष्ट रूपमा बोल्दै") र पार्लरले त्यो वर्णन मिल्ने भाषण उत्पन्न गर्दछ । यसले रचनात्मक अनुप्रयोगका लागि यसलाई अद्वितीय लचिलो बनाउँछ ।
Hugging Face
Apache 2.0
मध्यम
en
4GB
होइन
2x
Indic Parler TTS
Standard
AI4Bharat द्वारा Indic Parler TTS Parler को वास्तुकलालाई भारतीय भाषाहरूमा विस्तार गर्दछ, तमिल, बंगाली, मराठी, गुजराती, कन्नड, पंजाबी, ओडिया, असम, हिन्दी, तेलुगु, मलयालम र अंग्रेजीमा प्राकृतिक भाषण उत्पन्न गर्दछ। Parler जस्तै, तपाईंले सादा भाषामा चाहनुभएको आवाज वर्णन गर्नुहुन्छ र मोडेलले यसलाई मिलाउँछ - कुनै पूर्वनिर्धारित आवाजहरू आवश्यक छैन। भारतीय उपमहाद्वीपभरि प्रामाणिक उच्चारण र शब्दावलीका लागि AI4Bharat भाषण कोर्पोरेट्समा प्रशिक्षित।
AI4Bharat
Apache 2.0
ढिलो
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
8GB
होइन
2x
KhanomTan TTS
Standard
KhanomTan TTS एक खुला थाई पाठ-देखि-भाषण मोडेल YourTTS बहुभाषी वास्तुकला मा निर्माण गरिएको छ. CC0 र permissively-लाइसेन्सित थाई corpora (TSync) साथै अन्य धेरै भाषाहरु मा प्रशिक्षित, यो बहु स्पीकर आवाज संग प्राकृतिक थाई भाषण प्रदान. एक सफा, व्यापारिक-प्रयोग विकल्प थाई लागि - भाषा सबैभन्दा खुला TTS मोडेल मात्र गैर-व्यावसायिक लाइसेन्स अन्तर्गत कभर.
Wannaphong Phatthiyaphaibun
Apache 2.0
स्थिर
th
2GB
होइन
2x
IndexTTS-2
Standard
IndexTTS-2 एक उन्नत पाठ-देखि-भाषण प्रणाली छ कि राम्रो-ग्रेनेड भावना नियन्त्रण संग शून्य-शट आवाज संश्लेषण मा excels। यो भावना-विशिष्ट प्रशिक्षण डाटा आवश्यक बिना खुशी, दुःखी, रिसाएको, वा डरलाग्दो जस्तै विशिष्ट भावनात्मक टोन संग भाषण उत्पन्न गर्न सक्नुहुन्छ। मोडेल उत्पन्न भाषण को भावनात्मक अभिव्यक्ति सटीक नियन्त्रण गर्न भावना भेक्टर प्रयोग गर्दछ।
Index Team
Bilibili Model License
मध्यम
en, zh
4GB
हो
2x
Spark TTS
Standard
स्पार्क TTS स्पार्कअडियो द्वारा एक पाठ-देखि-भाषण मोडेल छ जुन नियन्त्रणयोग्य भावना र बोल्ने शैलीको साथ आवाज क्लोनिंग संयोजन गर्दछ। सन्दर्भ अडियोको केवल5सेकेन्ड प्रयोग गरेर, यसले आवाज क्लोन गर्न सक्छ र त्यसपछि क्लोन गरिएको आवाज पहिचान कायम राख्दै विभिन्न भावना, गति र शैलीहरूको साथ भाषण उत्पन्न गर्न सक्छ। स्पार्क TTS एक प्रोम्प्ट-आधारित नियन्त्रण प्रणाली प्रयोग गर्दछ।
SparkAudio
CC BY-NC-SA 4.0
मध्यम
en, zh
4GB
हो
2x
GPT-SoVITS
Standard
GPT-SoVITS ले GPT-शैली भाषा मोडेलिङलाई SoVITS (अनुवाद र संश्लेषण मार्फत बोल्ने आवाजको अनुमान) सँग शक्तिशाली केही-शट आवाज क्लोनिङको लागि संयोजन गर्दछ। सन्दर्भ अडियोको5सेकेन्ड जति कमसँग, यसले सही तरिकाले आवाज क्लोन गर्न र वक्ताको अद्वितीय विशेषताहरू संरक्षण गर्दा नयाँ भाषण उत्पन्न गर्न सक्छ। यो दुवै बोल्ने र बोल्ने आवाज संश्लेषणमा उत्कृष्ट छ।
RVC-Boss
MIT
ढिलो
en, zh, ja, ko
6GB
हो
2x
Orpheus
Standard
Orpheus मानव-स्तर भावनात्मक अभिव्यक्ति प्राप्त गर्दछ कि एक ठूलो-स्केल पाठ-to-भाषण मोडेल छ। विभिन्न भाषण डाटा को 100,000 घण्टा भन्दा बढी प्रशिक्षित, यो प्राकृतिक भावनाहरु, जोड, र बोल्ने शैलीहरु संग भाषण उत्पन्न मा excels। Orpheus मानव रेकर्ड देखि लगभग indistinguishable छ कि भाषण उत्पादन गर्न सक्नुहुन्छ।
Canopy Labs
Llama 3.2 Community
मध्यम
en
4GB
होइन
2x
Chatterbox
Premium
Resemble AI द्वारा Chatterbox एक cutting-edge शून्य-शट आवाज क्लोनिंग मोडेल छ। यो उल्लेखनीय सटीकता संग एकल अडियो नमूना देखि कुनै पनि आवाज प्रतिलिपि गर्न सक्छ, मात्र timbre तर पनि बोल्ने शैली र भावनात्मक nuances कैद। Chatterbox पनि राम्रो-ग्रेनेड भावना नियन्त्रण सुविधाहरू, तपाईं आवाज पहिचान देखि स्वतन्त्र रूपमा उत्पन्न भाषण को भावनात्मक टोन समायोजन गर्न अनुमति दिन्छ।
Resemble AI
MIT
मध्यम
en
4GB
हो
4x
Tortoise TTS
Premium
Tortoise TTS एक autoregressive बहु- आवाज पाठ- देखि- भाषण प्रणाली छ जसले गति भन्दा अडियो गुणस्तर प्राथमिकता दिन्छ । यसले उत्कृष्ट prosody र वक्ता समानता संग अत्यधिक प्राकृतिक भाषण उत्पन्न गर्न DALL- E- प्रेरित वास्तुकला प्रयोग गर्दछ । धेरै विकल्प भन्दा ढिलो हुँदा, Tortoise खुला स्रोत इकोसिस्टममा उपलब्ध सबैभन्दा यथार्थवादी सिंथेटिक भाषण को केही उत्पादन गर्दछ ।
James Betker
Apache 2.0
ढिलो
en
8GB
हो
4x
StyleTTS 2
Premium
StyleTTS2ले ठूलो भाषण भाषा मोडेल प्रयोग गरेर प्रतिस्पर्धात्मक प्रशिक्षणसँग शैली फैलावट संयोजन गरेर मानव-स्तर TTS संश्लेषण प्राप्त गर्दछ। यो एकल वक्ता मोडेलहरू बीच सबैभन्दा प्राकृतिक ध्वनि भाषण उत्पन्न गर्दछ, मानव रेकर्डहरू प्रतिस्पर्धा गर्दै। StyleTTS2ले मानव भाषण भिन्नताको पूर्ण दायरा रेकर्ड गर्न फैलाव-आधारित शैली मोडेलिङ प्रयोग गर्दछ।
Columbia University
MIT
मध्यम
en
4GB
होइन
4x
OpenVoice
Premium
MyShell.ai द्वारा OpenVoice आवाज शैली, भावना, अभिव्यक्ति, लय, विराम र intonation मा ग्रेनलर नियन्त्रण संग तत्काल आवाज क्लोनिंग सक्षम. यो एक छोटो अडियो क्लिप देखि एक आवाज क्लोन गर्न सक्छ र वक्ता पहिचान कायम गर्दा बहु भाषामा भाषण उत्पन्न. OpenVoice पनि एक आवाज परिवर्तक रूपमा कार्य, वास्तविक-समय आवाज रूपान्तरण अनुमति.
MyShell.ai / MIT
MIT
मध्यम
en, zh, ja, ko, fr, es
4GB
हो
4x
Qwen3 TTS
Standard
Qwen3-TTS Alibaba को Qwen टोली देखि एक 1.7 अरब मापदण्ड पाठ-देखि-भाषण मोडेल छ। यो दुई मोड समर्थन गर्दछ: भावना नियन्त्रण संग पूर्व-सेट आवाज (9 वक्ताहरू), र एक अद्वितीय आवाज डिजाइन मोड जहाँ तपाईं प्राकृतिक भाषामा चाहनुहुन्छ आवाज वर्णन। यो उच्च अभिव्यक्ति र प्राकृतिक prosody संग 10 भाषाहरू कवर गर्दछ।
Alibaba (Qwen)
Apache 2.0
मध्यम
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
होइन
2x
VieNeu-TTS-v2
Standard
VieNeu-TTS-v2 एक 300M मापदण्ड भिएतनाम-पहिलो TTS मोडेल छ 10,000+ घण्टा द्विभाषी डाटा मा प्रशिक्षित. यो सिरामिक एन-भी कोड-स्विचिंग समर्थन,7पूर्वनिर्धारित आवाज उत्तरी र दक्षिणी उच्चारण फैलाउने, र 3-5 सेकेन्डबाट तत्काल आवाज क्लोनिंग सन्दर्भ अडियो. GGUF Q4 inference + ONNX अडियो डिकोडर मार्फत पूर्ण रूपमा सीपीयू मा चल्छ - कुनै GPU आवश्यक, पुस्ताहरू ~7सेकेन्डमा समाप्त. एक Qwen3 ब्याकबोन मा निर्मित।
Phạm Nguyễn Ngọc Bảo
Apache 2.0
स्थिर
vi, en
CPU
हो
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) एक 1 अरब मापदण्ड मोडेल विशेष रूपमा संवादात्मक भाषण सिर्जना लागि डिजाइन गरिएको छ। यो मोड-लिई समय, backchannel प्रतिक्रिया, भावनात्मक प्रतिक्रिया, र संवादात्मक प्रवाह सहित मानव संवाद को प्राकृतिक ढाँचाको मोडेल। CSM सिंथेटिक भाषण भन्दा प्राकृतिक मानव संवाद जस्तै आवाज कि अडियो उत्पन्न गर्दछ।
Sesame
Apache 2.0
ढिलो
en
8GB
होइन
4x
Chatterbox Turbo
Standard
Resemble AI द्वारा Chatterbox टर्बो Chatterbox मा एक 350M मापदण्ड अपग्रेड हो, उप-200ms latency संग 6x वास्तविक समय गति सम्म वितरण. यो [हस्ने], [खाँकी], र [चिच्याउने] जस्तै paralinguistic ट्याग समर्थन गर्दछ पाठमा सीधा. provenance ट्र्याकिङको लागि सबै उत्पन्न अडियोमा पर्थ वाटरमार्किंग समावेश गर्दछ।
Resemble AI
MIT
स्थिर
en
2GB
हो
2x
VoxCPM
Standard
VoxCPM 1.5 OpenBMB द्वारा एक उपन्यास tokenizer-मुक्त TTS मोडेल छ जो निरपेक्ष टोकन भन्दा निरन्तर ठाउँमा सञ्चालन गर्दछ। यो उच्च-विश्वासी 44.1kHz अडियो उत्पादन, 3-10 सेकेन्ड देखि शून्य-छाट आवाज क्लोनिंग समर्थन, र अनुच्छेदहरू मार्फत स्थिरता कायम राख्छ। क्रस-भाषा क्लोनिंग तपाईंलाई चिनियाँ भाषणमा अंग्रेजी आवाज लागू गर्न र vice versa दिन्छ।
OpenBMB
Apache 2.0
स्थिर
en, zh
4GB
हो
2x
Kani TTS 2
Free
NineNineSix द्वारा Kani-TTS-2 एक NVIDIA NanoCodec संग एक तरल AI LFM2 ब्याकबोन मा निर्मित एक अल्ट्रा-लाइटवेट 400M पैरामीटर मोडेल हो। यो केवल 3GB VRAM मा चल्छ र A100 (RTF 0.2) मा ~2सेकेन्डमा ~ 10 सेकेन्डमा भाषणको उत्पादन गर्दछ। हालको सार्वजनिक रिलीजले अंग्रेजी-मात्र `kani-tts-2-en` चेकपोइन्ट पठाउँदछ र आवाज क्लोनिङको लागि आवश्यक स्पीकर-इम्बेडिंग हुकलाई उजागर गर्दैन - क्लोनिङको लागि Chatterbox / IndexTTS2 / F5-TTS प्रयोग गर्नुहोस्, वा गैर-अंग्रेजीको लागि Kokoro / MeloTTS।
NineNineSix
Apache 2.0
स्थिर
en
3GB
होइन
स्वतन्त्र
OuteTTS
Free
OuteTTS मूल वास्तुकला संरक्षण गर्दा पाठ-देखि-भाषण क्षमताहरू संग ठूलो भाषा मोडेल विस्तार गर्दछ। यो llama.cpp (CPU / GPU), Hugging अनुहार Transformers, ExLlamaV2, VLLM, र पनि Transformers.js मार्फत ब्राउजर inference सहित बहु backends समर्थन गर्दछ। विशेषताहरू शून्य-शट स्पीकर प्रोफाइलहरू मार्फत आवाज क्लोनिंग JSON रूपमा बचत।
OuteAI
Apache 2.0
ढिलो
en
2GB
होइन
स्वतन्त्र
VibeVoice
Standard
माइक्रोसफ्ट द्वारा VibeVoice दुई प्रकार्यमा आउँछ: लामो-रूप सामग्री लागि एक 1.5B मोडेल (90 मिनेट सम्म,4स्पीकर) र ~ 200ms पहिलो अडियो latency संग स्ट्रिमिंग लागि एक वास्तविक समय 0.5B मोडेल. 1.5B प्रकार्य लामो passages माथि स्पीकर स्थिरता संग पोडकास्ट र अडियो पुस्तकहरू मा उत्कृष्ट. नोट: माइक्रोसफ्टले भण्डारबाट TTS कोड हटायो र उत्पन्न अडियोमा सुनिन्छ AI disclaimers समावेश.
Microsoft
MIT
स्थिर
en, zh
4GB
होइन
2x
Pocket TTS
Free
Kyutai द्वारा पोके TTS (Moshi को निर्माता) एक कम्प्याक्ट 100M मापदण्ड पाठ-देखि-भाषण मोडेल छ कि यसको वजन माथि राम्रो Punches. यो सीपीयू मा कुशलतापूर्वक चल्छ, एकल अडियो नमूना देखि शून्य-शट आवाज क्लोनिंग समर्थन, र प्राकृतिक-सुन्ने भाषण उत्पादन. सानो मोडेल साइज यो किनारा तैनात र कम-संसाधन वातावरण लागि आदर्श बनाउँछ।
Kyutai
MIT
स्थिर
en, fr
1GB
हो
स्वतन्त्र
Kitten TTS
Free
KittenML द्वारा Kitten TTS एक अत्यन्त हल्का पाठ-देखि-भाषण मोडेल ONNX मा निर्माण गरिएको छ। 15M देखि 80M मापदण्ड (डिस्कमा 25-80 मेगाबाइट) देखि भिन्नता संग, यो GPU को आवश्यकता बिना सीपीयू मा उच्च गुणवत्ता आवाज संश्लेषण प्रदान गर्दछ। विशेषताहरू 8 निर्माण-मा आवाज, समायोज्य भाषण गति, र संख्याहरू, मुद्राहरू, र इकाइहरूको लागि निर्माण पाठ पूर्व-प्रक्रिया। किनारा तैनात र कम-लाटेन्सी अनुप्रयोगहरूको लागि आदर्श।
KittenML
Apache 2.0
स्थिर
en
0GB
होइन
स्वतन्त्र
CosyVoice3
Standard
CosyVoice3 Alibaba को FunAudioLLM टोलीबाट नवीनतम विकास हो। यो ~ 150ms latency, भावना / गति / भोल्युमको लागि निर्देशन-आधारित नियन्त्रण र शून्य-शट क्लोनिंगको लागि सुधारिएको स्पीकर समानतासँग बाइ-स्ट्रिमिंग निष्कर्षको विशेषताहरू।9भाषाहरू र 18 चिनियाँ बोलीहरू समर्थन गर्दछ। आरएल-ट्यून गरिएको प्रकार्यले कलाको कलाको प्रसाईड प्रदान गर्दछ।
Alibaba (FunAudioLLM)
Apache 2.0
स्थिर
en, zh, ja, ko, de, es, fr, it, ru
4GB
हो
2x
NAMAA Saudi TTS
Standard
NAMAA साउदी TTS एक सउदी अरबी fine-tune को Resemble AI को ChatterboxMultilingual छ. प्रामाणिक साउदी-भाष्य भाषण मा NAMAA स्पेस द्वारा प्रशिक्षित, यो उत्पादन प्राकृतिक आधुनिक मानक अरबी र साउदी colloquial उच्चारण कि जेनेरिक बहुभाषी मोडेल मिलाउन सक्दैन. Chatterbox को शून्य-शट आवाज क्लोनिंग र सन्दर्भ अडियो प्रमपहरू मार्फत भावना नियन्त्रण विरासत. पहिलो खुला-वजन अरबी TTS मा तैनात TTS.ai.
NAMAA Space
MIT
मध्यम
ar
6GB
हो
2x
Darwin TTS
Standard
डार्विन-TTS-1.7B-क्रस फाइनल-बेन्च द्वारा Qwen3-TTS-1.7B को एक अनुसन्धान प्रकार्य हो जहाँ 84 कुराकानी-FFN tensors (8.6%) Qwen3-1.7B-आधारबाट मिल्दो tensors संग α =3% मा मिश्रित छन्. मिश्रण retraining बिना निर्माण गरिएको छ र कोरियाली मार्फत उल्लेखनीय crisper क्रस-भाषा आवाज क्लोनिंग उत्पादन, अंग्रेजी, जापानी, र चिनियाँ. शून्य-छाट आवाज-क्लोन मोडमा सञ्चालन (3 सेकेन्ड सन्दर्भ अडियो).
FINAL-Bench
Apache 2.0
मध्यम
en, ko, ja, zh
7GB
हो
2x
MOSS-TTSD
Standard
MOSS-TTSD v1.0 OpenMOSS बाट एक 7B संवाद पाठ-देखि-भाषण मोडेल छ कि छोटो अडियो प्रोम्प्ट देखि वार्तालाप जारी छ। समर्थन सम्म5एकैसाथ वक्ताहरू मार्फत [S1] / [S2] ट्याग, शून्य-शूट आवाज क्लोनिंग 3-10s सन्दर्भ अडियो देखि, र सम्म 60 मिनेट को एकरूप बहु-परिवर्तन संवाद मार्फत 20 भाषाहरू। MOSS-TTS देखि अलग - TTSD पोडकास्ट / अडियोबुक / डबिंग कार्यप्रवाह लागि विशेष छ।
OpenMOSS
Apache 2.0
मध्यम
en, zh
12GB
हो
2x
Ming-Omni TTS
Free
inclusionAI द्वारा मिङ-omni-tts-0.5B एक प्याच-by-प्याच प्रवाह-मिल्दो अडियो डिकोडर संग BailingMM घना backbone मा निर्मित एक कम्प्याक्ट Omni-modal भाषण मोडेल छ। 44.1kHz आउटपुट (सीडी गुणस्तर नजिक) प्रदान गर्दछ, एक 3+ दोस्रो सन्दर्भबाट शून्य-शट आवाज क्लोनिंग समर्थन गर्दछ, र JSON निर्देशहरू मार्फत निर्मित भावना / बोली / BGM नियन्त्रण समावेश गर्दछ। उत्कृष्ट स्थिरता - चीनी बेन्चमार्कमा 0.83% WER।
inclusionAI
Apache 2.0
मध्यम
en, zh
3GB
हो
स्वतन्त्र
MOSS-TTS Nano
Free
MOSS-TTS-Nano-100M MOSS-TTS परिवारको OpenMOSS को कम्प्याक्ट 100M-परिमिति प्रकार्य हो, विलम्ब-ट्रान्सफर वास्तुकला साझेदारी गर्दछ। ~ 80x सानो तौल र नाटकीय रूपमा प्रति अनुरोध VRAM को लागि 8B मोडेलको उच्चतम गुणवत्ता व्यापार गर्दछ, यो निःशुल्क-तह र उच्च-थ्रूपुट तैनातिका लागि उपयुक्त बनाउँछ। उही 20-भाषा पहुँच।
OpenMOSS
Apache 2.0
स्थिर
en, zh, de, es, fr, ja, it, ko, ru, ar, pt
2GB
हो
स्वतन्त्र
Kokoro
स्वतन्त्र
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
स्थिर
Piper
स्वतन्त्र
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
स्थिर
VITS
स्वतन्त्र
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
स्थिर
MeloTTS
स्वतन्त्र
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
स्थिर
Kani TTS 2
स्वतन्त्र
Kani-TTS-2 by NineNineSix is an ultra-lightweight 400M parameter model built on a Liquid AI LFM2 backbone with NVIDIA NanoCodec. It runs in just 3GB VRAM and produces ~10 seconds of speech in ~2 seconds on an A100 (RTF 0.2). The current public release ships an English-only `kani-tts-2-en` checkpoint and does not expose the speaker-embedding hook needed for voice cloning — use Chatterbox / IndexTTS2 / F5-TTS for cloning, or Kokoro / MeloTTS for non-English.
NineNineSix
Apache 2.0
स्थिर
OuteTTS
स्वतन्त्र
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
ढिलो
Pocket TTS
स्वतन्त्र
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
स्थिर
Kitten TTS
स्वतन्त्र
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
स्थिर
Ming-Omni TTS
स्वतन्त्र
Ming-omni-tts-0.5B by inclusionAI is a compact omni-modal speech model built on the BailingMM dense backbone with a Patch-by-Patch flow-matching audio decoder. Delivers 44.1kHz output (near CD quality), supports zero-shot voice cloning from a 3+ second reference, and includes built-in emotion / dialect / BGM control via JSON instructions. Excellent stability — 0.83% WER on Chinese benchmarks.
inclusionAI
Apache 2.0
मध्यम
MOSS-TTS Nano
स्वतन्त्र
MOSS-TTS-Nano-100M is OpenMOSS's compact 100M-parameter variant of the MOSS-TTS family, sharing the delay-transformer architecture. Trades the 8B model's peak quality for ~80x smaller weights and dramatically lower per-request VRAM, making it suitable for free-tier and high-throughput deployments. Same 20-language reach.
OpenMOSS
Apache 2.0
स्थिर
Bark
पूर्वनिर्धारित
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
ढिलो
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
होइन
Bark Small
पूर्वनिर्धारित
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
मध्यम
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
होइन
CosyVoice 2
पूर्वनिर्धारित
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
मध्यम
en, zh, ja, ko, fr, de, it, es
हो
Dia TTS
पूर्वनिर्धारित
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
मध्यम
en
होइन
Parler TTS
पूर्वनिर्धारित
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
मध्यम
en
होइन
Indic Parler TTS
पूर्वनिर्धारित
Indic Parler TTS by AI4Bharat extends the Parler architecture to Indian languages, generating natural speech in Tamil, Bengali, Marathi, Gujarati, Kannada, Punjabi, Odia, Assamese, Hindi, Telugu, Malayalam and English. Like Parler, you describe the voice you want in plain language and the model matches it — no preset voices required. Trained on AI4Bharat speech corpora for authentic pronunciation and prosody across the Indian subcontinent.
AI4Bharat
Apache 2.0
ढिलो
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
होइन
KhanomTan TTS
पूर्वनिर्धारित
KhanomTan TTS is an open Thai text-to-speech model built on the YourTTS multilingual architecture. Trained on CC0 and permissively-licensed Thai corpora (TSync) alongside several other languages, it delivers natural Thai speech with multiple speaker voices. A clean, commercially-usable option for Thai — the language most open TTS models only cover under non-commercial licenses.
Wannaphong Phatthiyaphaibun
Apache 2.0
स्थिर
th
होइन
IndexTTS-2
पूर्वनिर्धारित
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
मध्यम
en, zh
हो
Spark TTS
पूर्वनिर्धारित
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
मध्यम
en, zh
हो
GPT-SoVITS
पूर्वनिर्धारित
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
ढिलो
en, zh, ja, ko
हो
Orpheus
पूर्वनिर्धारित
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
मध्यम
en
होइन
Qwen3 TTS
पूर्वनिर्धारित
Qwen3-TTS is a 1.7 billion parameter text-to-speech model from Alibaba's Qwen team. It supports two modes: preset voices with emotion control (9 speakers), 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
मध्यम
en, zh, ja, ko, de, fr, ru, pt, es, it
होइन
VieNeu-TTS-v2
पूर्वनिर्धारित
VieNeu-TTS-v2 is a 300M parameter Vietnamese-first TTS model trained on 10,000+ hours of bilingual data. It supports seamless en-vi code-switching, 7 preset voices spanning Northern and Southern accents, and instant voice cloning from 3-5 seconds of reference audio. Runs entirely on CPU via GGUF Q4 inference + ONNX audio decoder — no GPU needed, generations finish in ~7 seconds. Built on a Qwen3 backbone.
Phạm Nguyễn Ngọc Bảo
Apache 2.0
स्थिर
vi, en
हो
Chatterbox Turbo
पूर्वनिर्धारित
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
स्थिर
en
हो
VoxCPM
पूर्वनिर्धारित
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
स्थिर
en, zh
हो
VibeVoice
पूर्वनिर्धारित
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
स्थिर
en, zh
होइन
CosyVoice3
पूर्वनिर्धारित
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
स्थिर
en, zh, ja, ko, de, es, fr, it, ru
हो
NAMAA Saudi TTS
पूर्वनिर्धारित
NAMAA Saudi TTS is a Saudi Arabic fine-tune of Resemble AI's ChatterboxMultilingual. Trained by NAMAA Space on authentic Saudi-dialect speech, it produces natural Modern Standard Arabic and Saudi colloquial pronunciation that generic multilingual models cannot match. Inherits Chatterbox's zero-shot voice cloning and emotion control via reference audio prompts. The first open-weights Arabic TTS deployed on TTS.ai.
NAMAA Space
MIT
मध्यम
ar
हो
Darwin TTS
पूर्वनिर्धारित
Darwin-TTS-1.7B-Cross by FINAL-Bench is a research variant of Qwen3-TTS-1.7B where 84 talker-FFN tensors (8.6%) are blended at α=3% with the matching tensors from Qwen3-1.7B-Base. The blend is built without retraining and produces noticeably crisper cross-lingual voice cloning across Korean, English, Japanese, and Chinese. Operates in zero-shot voice-clone mode (3 seconds reference audio).
FINAL-Bench
Apache 2.0
मध्यम
en, ko, ja, zh
हो
MOSS-TTSD
पूर्वनिर्धारित
MOSS-TTSD v1.0 from OpenMOSS is a 7B dialogue text-to-speech model that continues conversations from a short audio prompt. Supports up to 5 simultaneous speakers via [S1]/[S2] tags, zero-shot voice cloning from 3-10s reference audio, and up to 60 minutes of coherent multi-turn dialogue across 20 languages. Distinct from MOSS-TTS — TTSD is specialized for podcast/audiobook/dubbing workflows.
OpenMOSS
Apache 2.0
मध्यम
en, zh
हो
Chatterbox
प्रिमियम
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
मध्यम
en
हो
4GB
4x
Tortoise TTS
प्रिमियम
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
ढिलो
en
हो
8GB
4x
StyleTTS 2
प्रिमियम
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
मध्यम
en
होइन
4GB
4x
OpenVoice
प्रिमियम
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
मध्यम
en, zh, ja, ko, fr, es
हो
4GB
4x
Sesame CSM
प्रिमियम
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
ढिलो
en
होइन
8GB
4x
नमूना तुलना तालिका
| नमूना | विकासकर्ता: | टर | गुणस्तर: | गति | भाषाहरू | आवाज क्लोनिङ | भिआरएम | इजाजतपत्र: | क्रेडिटहरू | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | स्थिर | 8 | 1.5GB | Apache 2.0 | स्वतन्त्र | प्रयोग | ||
| Piper | Rhasspy | Free | स्थिर | 42 | 0 (CPU only) | MIT | स्वतन्त्र | प्रयोग | ||
| VITS | Jaehyeon Kim et al. | Free | स्थिर | 11 | 1GB | MIT | स्वतन्त्र | प्रयोग | ||
| MeloTTS | MyShell.ai | Free | स्थिर | 6 | 0.5GB (GPU optional) | MIT | स्वतन्त्र | प्रयोग | ||
| Bark | Suno | Standard | ढिलो | 13 | 5GB | MIT | 2 | प्रयोग | ||
| Bark Small | Suno | Standard | मध्यम | 13 | 2GB | MIT | 2 | प्रयोग | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | मध्यम | 8 | 4GB | Apache 2.0 | 2 | प्रयोग | ||
| Dia TTS | Nari Labs | Standard | मध्यम | 1 | 4GB | Apache 2.0 | 2 | प्रयोग | ||
| Parler TTS | Hugging Face | Standard | मध्यम | 1 | 4GB | Apache 2.0 | 2 | प्रयोग | ||
| Indic Parler TTS | AI4Bharat | Standard | ढिलो | 12 | 8GB | Apache 2.0 | 2 | प्रयोग | ||
| KhanomTan TTS | Wannaphong Phatthiyaphaibun | Standard | स्थिर | 1 | 2GB | Apache 2.0 | 2 | प्रयोग | ||
| IndexTTS-2 | Index Team | Standard | मध्यम | 2 | 4GB | Bilibili Model License | 2 | प्रयोग | ||
| Spark TTS | SparkAudio | Standard | मध्यम | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | प्रयोग | ||
| GPT-SoVITS | RVC-Boss | Standard | ढिलो | 4 | 6GB | MIT | 2 | प्रयोग | ||
| Orpheus | Canopy Labs | Standard | मध्यम | 1 | 4GB | Llama 3.2 Community | 2 | प्रयोग | ||
| Chatterbox | Resemble AI | Premium | मध्यम | 1 | 4GB | MIT | 4 | प्रयोग | ||
| Tortoise TTS | James Betker | Premium | ढिलो | 1 | 8GB | Apache 2.0 | 4 | प्रयोग | ||
| StyleTTS 2 | Columbia University | Premium | मध्यम | 1 | 4GB | MIT | 4 | प्रयोग | ||
| OpenVoice | MyShell.ai / MIT | Premium | मध्यम | 6 | 4GB | MIT | 4 | प्रयोग | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | मध्यम | 10 | 7GB | Apache 2.0 | 2 | प्रयोग | ||
| VieNeu-TTS-v2 | Phạm Nguyễn Ngọc Bảo | Standard | स्थिर | 2 | CPU | Apache 2.0 | 2 | प्रयोग | ||
| Sesame CSM | Sesame | Premium | ढिलो | 1 | 8GB | Apache 2.0 | 4 | प्रयोग | ||
| Chatterbox Turbo | Resemble AI | Standard | स्थिर | 1 | 2GB | MIT | 2 | प्रयोग | ||
| VoxCPM | OpenBMB | Standard | स्थिर | 2 | 4GB | Apache 2.0 | 2 | प्रयोग | ||
| Kani TTS 2 | NineNineSix | Free | स्थिर | 1 | 3GB | Apache 2.0 | स्वतन्त्र | प्रयोग | ||
| OuteTTS | OuteAI | Free | ढिलो | 1 | 2GB | Apache 2.0 | स्वतन्त्र | प्रयोग | ||
| VibeVoice | Microsoft | Standard | स्थिर | 2 | 4GB | MIT | 2 | प्रयोग | ||
| Pocket TTS | Kyutai | Free | स्थिर | 2 | 1GB | MIT | स्वतन्त्र | प्रयोग | ||
| Kitten TTS | KittenML | Free | स्थिर | 1 | 0GB | Apache 2.0 | स्वतन्त्र | प्रयोग | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | स्थिर | 9 | 4GB | Apache 2.0 | 2 | प्रयोग | ||
| NAMAA Saudi TTS | NAMAA Space | Standard | मध्यम | 1 | 6GB | MIT | 2 | प्रयोग | ||
| Darwin TTS | FINAL-Bench | Standard | मध्यम | 4 | 7GB | Apache 2.0 | 2 | प्रयोग | ||
| MOSS-TTSD | OpenMOSS | Standard | मध्यम | 2 | 12GB | Apache 2.0 | 2 | प्रयोग | ||
| Ming-Omni TTS | inclusionAI | Free | मध्यम | 2 | 3GB | Apache 2.0 | स्वतन्त्र | प्रयोग | ||
| MOSS-TTS Nano | OpenMOSS | Free | स्थिर | 11 | 2GB | Apache 2.0 | स्वतन्त्र | प्रयोग |
सबैभन्दा व्यापक AI पाठ भाषण प्लेटफर्म
किन पाठ भाषण लागि TTS.ai चयन?
TTS.ai एक एकल, प्रयोग गर्न सजिलो प्लेटफर्ममा विश्वको सर्वश्रेष्ठ खुला स्रोत पाठ-देखि-भाषण मोडेलहरू एकैसाथ ल्याउँछ। एकल आवाज इन्जिनमा तपाईंलाई ताल्चा लगाउने स्वामित्व सेवाहरूको विपरीत, TTS.ai ले तपाईंलाई Coqui, MyShell, Amphion, NVIDIA, Suno, HuggingFace, Tsinghua University, र अधिक सहित अग्रणी अनुसन्धान प्रयोगशालाहरूबाट 20+ मोडेलहरूमा पहुँच दिन्छ।
प्रत्येक मोडेल एमआईटी, अपाचे 2.0, वा यस्तै permissive लाइसेन्स अन्तर्गत खुला स्रोत छ, सुनिश्चित तपाईं आफ्नो परियोजनाहरूमा उत्पन्न अडियो प्रयोग गर्न पूर्ण व्यावसायिक अधिकार छ। चाहे तपाईं द्रुत आवश्यक, वास्तविक समय अनुप्रयोगहरू वा अडियोबुक र पोडकास्ट लागि प्रिमियम स्टुडियो-गुणस्तर निर्गत लागि हल्का संश्लेषण, TTS.ai हरेक प्रयोगको मामला लागि सही मोडेल छ।
नि: शुल्क मोडेल, कुनै खाता आवश्यक
तीन नि: शुल्क TTS मोडेल संग तुरुन्तै सुरु गर्नुहोस्: पाइपर (अति-द्रुत, हल्का), VITS (उच्च-गुणवत्ता तंत्रिका संश्लेषण), र MeloTTS (बहु-भाषा समर्थन). कुनै साइन-अप, कुनै क्रेडिट कार्ड, पुस्ता मा कुनै सीमा. नि: शुल्क मोडेल अंग्रेजी समर्थन र प्राकृतिक-सउन्ड आउटपुट संग धेरै अन्य भाषाहरू धेरै अनुप्रयोगहरूको लागि उपयुक्त.
GPU- त्वरित प्रक्रिया
सबै TTS मोडेलहरू छिटो, स्थिर उत्पादन समयका लागि समर्पित NVIDIA GPUs मा चल्छन्। नि: शुल्क मोडेलहरूले सामान्यतया2सेकेन्डमा अडियो उत्पन्न गर्दछ। कोकोरो, कोसीवोइस2जस्ता मानक मोडेलहरू, र बार्क औसत 3-5 सेकेन्ड। उच्चतम गुणस्तरको साथ प्रिमियम मोडेलहरू, जस्तै टर्टोइज र च्याटरबक्स, पाठ लम्बाइमा निर्भर 5-15 सेकेन्डमा प्रक्रिया गर्दछ।
30+ भाषाहरू समर्थित
30 भाषाहरूमा भाषण उत्पन्न गर्नुहोस्, जस्तै अंग्रेजी, स्पेनिश, फ्रान्सेली, जर्मन, इटालियन, पोर्चुगिज, चिनियाँ, जापानी, कोरियाली, अरबी, हिन्दी, रूसी, र धेरै। धेरै मोडेलहरूले क्रस-भाषा संश्लेषण समर्थन गर्दछन्, यसको अर्थ तपाईंले मूल आवाज कहिल्यै प्रशिक्षित गरिएको थिएन भन्ने भाषामा भाषण उत्पन्न गर्न सक्नुहुन्छ। CosyVoice2र GPT-SoVITS क्रस-भाषा आवाज क्लोनिंगमा उत्कृष्ट छन्।
विकासकर्ता- तयार एपीआई
हाम्रो OpenAI-संगत REST API संग TTS.ai लाई तपाईंको अनुप्रयोगहरूमा एकीकृत गर्नुहोस्। सबै 20+ मोडेलहरूको लागि एक अन्त बिन्दु। पाइथन, जाभास्क्रिप्ट, cURL, र जानुहोस् एसडीके। वास्तविक समय अनुप्रयोगहरूको लागि स्ट्रिमिंग समर्थन। ठूलो मात्रामा सामग्री उत्पादनको लागि ब्याच प्रोसेसिंग। असीमित सूचनाहरूको लागि वेबहुक्स। एपीआई पहुँच नि: शुल्क सहित हरेक योजनामा समावेश छ।
प्राय सोधिने प्रश्नहरू
हामी के सुधार गर्न सक्छन्? आफ्नो प्रतिक्रिया हामीलाई समस्या समाधान गर्न मद्दत गर्दछ.
अहिले पाठलाई भाषणमा रूपान्तरण गर्न सुरु गर्नुहोस्
TTS.ai प्रयोग गरेर निर्माता हजारौं सामेल। एक नयाँ खाता संग 15,000 निःशुल्क क्यारेक्टरहरू प्राप्त गर्नुहोस्। नि: शुल्क मोडेल साइन अप बिना उपलब्ध।