AI- tekst til tale

Kokoro er en 82 millioner parameter tekst- til- tale- modell som slår godt over vektklassen. Til tross for sin lille størrelse produserer den en utrolig naturlig og ekspressiv tale. Kokoro støtter flere språk som engelsk, japansk, kinesisk og koreansk med en rekke ekspressive stemmer. Den kjører utrolig fort – den lager lyd nesten 100x raskere enn sanntid på en GPU.

Piper er en lettvekts tekst- til- tale- motor utviklet av Rhasspy som bruker VITS og strupearkitekturer. Den kjører helt på CPU, noe som gjør den ideell for kantenheter, hjemmeautomatisering og programmer som krever TTS frakoblet. Med over 100 stemmer på 30+ språk sender Piper naturlig hørende tale med sanntid, selv på en Raspberry Pi 4.

VITS (Variational Inference with antagonistial learning for end- to- end Text- to- Speech) er en parallell ende- til- slutt TTS- metode som genererer mer naturlig lydlyd enn gjeldende to- trinns modeller. Den bruker variasjonelle konklusjoner utvidet med normalisering av flyt og en antagonistisk treningsprosess, slik at det oppnås en betydelig forbedring i naturligheten.

MeloTTS av MyShell.ai er et flerspråklig TTS-bibliotek som støtter engelsk (amerikansk, britisk, indisk, australsk), spansk, fransk, kinesisk, japansk og koreansk. Det er ekstremt raskt og behandler tekst i nær sanntid på CPU alene. MeloTTS er laget for produksjonsbruk og støtter både CPU og GPU konklusjoner.

Bark by Suno er en transformerbasert tekst- til- lyd- modell som kan lage meget realistisk, flerspråklig tale og annen lyd som musikk, bakgrunnsstøy og lydeffekter. Den kan lage ikke- verbal kommunikasjon som ler, sukker og gråter. Bark støtter over 100 forhåndsinnstillinger for høyttalere og 13+ språk.

Bark Small er en destillert versjon av Bark- modellen som handler med en viss lydkvalitet for betydelig raskere interferenshastigheter og lavere minnekrav. Den beholder Barks evne til å lage tale med følelser, latter og flere språk.

CosyVoice 2 av Alibabas Tongyi Lab oppnår en mennesketilsvarende talekvalitet med ekstremt lav latens, noe som gjør den ideell for sanntidsanvendelser. Den bruker en bestemt skalarkvantiseringsmetode for streaming av syntese og støtter null- skudd- stemmekloning, tverrspråklig syntese og finkornet følelseskontroll. Den overlapper mange kommersielle TTS- systemer i subjektive evalueringer.

Dia av Nari Labs er en 1, 6B parameter tekst- til- tale- modell som er laget spesielt for å lage dialog med flere høyttalere. Den kan lage naturlig hørende samtaler mellom to høyttalere med passende sving- taking, prosody og emosjonelt uttrykk. Dia er perfekt til å lage podcast- stil- innhold, lydbok- dialoger og interaktiv samtale- AI.

Parler TTS er en tekst- til- tale- modell som bruker stemmebeskrivelser i naturlig språk til å styre den genererte tale. I stedet for å velge fra forhåndsvalgte stemmer, beskriver du stemmen du vil ha (f. eks. en varm kvinnelig stemme med en liten britisk aksent, som snakker langsomt og tydelig), og Parler lager tale som passer med den beskrivelsen. Dette gjør den unik fleksibel for kreative programmer.

GLM- TTS av Zhipu AI er et tekst- til- tale- system bygget på Llama- arkitekturen med flyt- treff. Det gir den laveste tegnfeilraten blant åpen- kildekode TTS- modeller, hvilket betyr at det gir den mest nøyaktige uttalen. GLM- TTS støtter engelsk og kinesisk med stemmekloning fra 3- 10 sekunders lydprøver.

IndexTTS- 2 er et avansert tekst- til- tale- system som overgår ved null- skudds stemmesyntese med finkornet følelseskontroll. Det kan lage tale med spesifikke følelsesmessige toner som lykkelig, trist, sint eller fryktelig uten å trenge følelsesspesifikke treningsdata. Modellen bruker følelsesvektorer til nøyaktig å styre følelsesuttrykket i generert tale.

Spark TTS by SparkAudio er en tekst- til- tale- modell som kombinerer stemmekloning med styrbare følelser og talestiler. Med bare 5 sekunders referanselyd kan den klone en stemme og så lage tale med forskjellige følelser, hastigheter og stiler samtidig som den klonede stemmeidentiteten opprettholdes. Spark- TTS bruker et hurtigbasert kontrollsystem.

GPT- SOVITS kombinerer språkmodellering i GPT- stil med SOVITS (Singing Voice Inference via Oversettelse og Synthesis) for kraftig par- skudds stemmekloning. Med så lite som 5 sekunders referanselyd kan den nøyaktig klone en stemme og lage en ny tale samtidig som høyttalerens unike egenskaper bevares. Den overgår både når den snakker og synger stemmesyntese.

Orpheus er en storstilet tekst- til- tale- modell som oppnår et følelsesmessig uttrykk på menneskenivå. Øvd på over 100.000 timer med forskjellige taledata, den utmerker seg til å lage tale med naturlige følelser, vekt og talestiler. Orfeus kan lage tale som praktisk talt ikke kan skilles fra menneskelige opptak.

Chatterbox av Resemble AI er en null- skudds stemmekloningsmodell. Den kan kopiere enhver stemme fra et enkelt lydutvalg med bemerkelsesverdig nøyaktighet, fange ikke bare klang, men også talestilen og emosjonelle nyanser. Chatterbox har også finkornet følelseskontroll, slik at du kan justere den emosjonelle toneen til den genererte talea uavhengig av stemmeidentiteten.

Tortoise TTS er et autoregressiv tekst- til- tale- system med flere tale som prioriterer lydkvalitet over fart. Det bruker DALL- E- inspirert arkitektur til å lage svært naturlig tale med fremragende prosodi og høyttaler- likheter. Mens langsommere enn mange alternativer gir Tortoise noen av de mest realistiske syntetiske talemåtene i det åpne kildekode- økosystemet.

StyleTTS 2 oppnår TTS- syntese på menneskenivå ved å kombinere stilspredning med antagonistisk trening ved bruk av store talespråkmodeller. Det genererer den mest naturlige lydende tale blant en- høyttaler- modeller, og konkurrerer med menneskelige opptak. StyleTTS 2 bruker diffusbasert stilmodellering for å fange opp hele spekteret av menneskelige talevariasjoner.

OpenVoice fra MyShell.ai gjør det mulig å klone stemmen med kornet form, følelser, aksent, rytme, pauser og intonasjon. Det kan klone en stemme fra et kort lydklipp og lage tale på flere språk samtidig som høyttaleridentiteten opprettholdes. OpenVoice fungerer også som taleomformere, slik at det kan lages taleomforming i sanntid.

Qwen3- TTS er en 1, 7 milliarder parameter tekst- til- tale modell fra Alibabas Qwen- lag. Det støtter tre moduser: forhåndsinnstilte stemmer med følelseskontroll (9 høyttalere), stemmekloning fra bare 3 sekunders lyd, og en unik stemmedesign- modus der du beskriver stemmen du vil ha i naturlig språk. Den dekker 10 språk med høy ekspressivitet og naturlig prosodi.

Sesam CSM (conversational Speak Model) er en modell på 1 milliard parametere laget spesielt for å lage samtaletale. Det modellerer de naturlige mønstrene i den menneskelige samtalen, inkludert tur- ta- tid, tilbake- kanal reaksjoner, følelsesmessige reaksjoner og samtaleflyt. CSM genererer lyd som høres ut som en naturlig menneskelig samtale i stedet for syntetisk tale.

Chatterbox Turbo by Resemble AI er en 350M- parameteroppgradering til Chatterbox, som leverer opp til 6x sanntidsfart med sub- 200ms latency. Det støtter paralinguistiske tagger som [latter], [hote] og [chuckle] direkte i teksten. Inkluderer Perth vannmerke på alle genererte lyder for sporing av opphav.

Zonos v0.1 av Zyphra er en 1. 6B parametermodell med finkornet følelseskontroll med glidebrytere for lykke, sinne, sorg, frykt og overraskelse. Den tilbyr både en Transformer og en ny variant av SSM (tilstandsmodell). Trenet på 200K+ timers flerspråklig tale med null- skudd- stemmekloning fra 10- 30 sekunders referanselyd.

Dia2 av Nari Labs er en første oppgradering til Dia, tilgjengelig i varianter av 1B og 2B- parametre. Den begynner å syntetisere lyd fra de første myntene, noe som gjør den ideell for taleagenter i sanntid og tale- til- tale- rørledninger. Støtter dialog med flere høyttalere med [S1]/[ S2] tagger og paralinguistiske tegn som (augner), (hoker).

VoxCPM 1. 5 av OpenBMB er en ny tokenizer- fri TTS- modell som virker i et sammenhengende rom i stedet for atskilte tokener. Den gir høykvalitets 44,1 kHz lyd, støtter null- skudds stemmekloning fra 3-10 sekunder, og bevarer konsistens på tvers av avsnitt. Kloning på tvers av språk lar deg bruke en engelsk stemme på kinesisk tale og omvendt.

Outetts utvider store språkmodeller med muligheter for tekst til tale samtidig som den opprinnelige arkitekturen bevares. Den støtter flere bakgrunnsmotorer, bl. a. llama.cpp (CPU/ GPU), Hugging Face Transformers, ExLlamaV2, VLLM, og til og med nettleserinterferenser via Transformers. js. Har null-shot stemmekloning gjennom høyttalerprofiler lagret som JSON.

TADA (Text- Acoustic Dual Adjustation) av Hume AI er en banebrytende TTS- modell som fjerner hallucinasjoner gjennom en ny dobbeltjusteringsarkitektur bygd på Llama 3.2. I 1B (engelsk) og 3B (flerspråklig) varianter oppnår TADA en RTF på 0, 09 – 5x raskere enn sammenlignbare LLM- baserte TTS- modeller. Det støtter opp til 700 sekunders lydsammenheng og gir følelsesmessig uttrykk med null hallucinasjoner på standardreferanser.

VibeVoice av Microsoft kommer i to varianter: en 1. 5B- modell for langformet innhold (opptil 90 minutter, 4 høyttalere) og en sanntid 0. 5B- modell for streaming med ~ 200ms første lyd latency. Variasjonen 1. 5B går ut på podkaster og lydbøker med høytalerkonsistens over lange passasjer. Merk: Microsoft fjernet TTS- kode fra arkivet og generert lyd inkluderer hørbare AI- disclaimers.

Pocket TTS av Kyutai (kreftere av Moshi) er en kompakt 100M parameter tekst- til- tale modell som slår godt over vekta. Den kjører effektivt på CPU, støtter null- skudd- stemme kloning fra ett enkelt lydutvalg, og produserer naturlig hørende tale. Den lille modellstørrelsen gjør den ideel for kantutbygging og lav- ressursmiljøer.

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.