AI ਪਾਠ ਤੋਂ ਬੋਲੀName
ਓਪਨ-ਸੋਰਸ AI ਮਾਡਲਾਂ ਨਾਲ ਪਾਠ ਨੂੰ ਕੁਦਰਤੀ-ਸੰਗੀਤ ਵਾਲੀ ਬੋਲੀ ਵਿੱਚ ਬਦਲੋ । ਵਰਤਣ ਲਈ ਮੁਫਤ ਹੈ, ਕੋਈ ਅਕਾਊਂਟ ਲੋੜੀਦਾ ਨਹੀਂ ਹੈ ।
ਸਹੀ ਕੰਟਰੋਲ ਲਈ SSML ਟੈਗ ਵਿੱਚ ਆਪਣਾ ਪਾਠ ਲਪੇਟੋ:
<speak><prosody rate="slow">Slow speech</prosody></speak>
ਭੇਜਣ ਲਈ ਈਮੋਸ਼ਨ ਮਾਰਕਰ ਸ਼ਾਮਲ (ਮੈਡਲ ਸਹਿਯੋਗ ਬਦਲਦਾ ਹੈ):
ਪਸੰਦੀਦਾ ਉਚਾਰਨ ਦਿਓ (ਸ਼ਬਦ = ਉਚਾਰਨ):
ਮਾਡਲ ਵੇਰਵਾ
Kitten TTS
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.
| ਡਿਵੈਲਪਰ: | KittenML |
| ਲਾਈਸੈਂਸ: | Apache 2.0 |
| ਸਪੀਡ | Fast |
| ਕੁਆਲਟੀ: | |
| ਭਾਸ਼ਾਵਾਂ | 1 ਭਾਸ਼ਾ |
| VRAM | 0GB |
| ਬੋਲੀ ਕਲੋਨਿੰਗ | ਸਹਾਇਕ ਨਹੀਂ |
ਬਿਹਤਰ ਨਤੀਜਿਆਂ ਲਈ ਸੁਝਾਅ
- ਕੁਦਰਤੀ ਵਿਰਾਮ ਅਤੇ ਅਵਾਜ਼ ਲਈ ਠੀਕ ਵਿਰਾਮ ਚਿੰਨ੍ਹ ਵਰਤੋਂ
- ਸਪੱਸ਼ਟ ਉਚਾਰਨ ਲਈ ਅੰਕ ਅਤੇ ਸੰਖੇਪ ਲਿਖੋ
- ਪ੍ਹੈਰਾ ਵਿੱਚ ਛੋਟੇ ਵਿਰਾਮ ਬਣਾਉਣ ਲਈ ਕਾਮਾ ਸ਼ਾਮਲ
- ਲੰਬੇ ਡਰਾਮਾ ਵਿਰਾਮ ਲਈ (...) ਵਰਤੋਂ
- ਸਭ ਤੋਂ ਕੁਦਰਤੀ ਨਤੀਜਿਆਂ ਲਈ ਕੋਕੋਰੋ ਜਾਂ ਕੋਸੀਵਾਇਸ2ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰੋ
- ਬਹੁ- ਸਪੀਕਰ ਡਾਈਲਾਗ ਅਤੇ ਪੋਡਕਾਸਟ ਸਮੱਗਰੀ ਲਈ Dia ਵਰਤੋਂ
ਅੱਖਰ ਵਰਤੋਂ
| ਟੀਅਰ | ਪ੍ਰਤੀ 1K ਅੱਖਰ ਕੀਮਤ |
|---|---|
| ਮੁਫਤ | 0 ਕ੍ਰੈਡਿਟ (ਅਣਮਿੱਥੇ) |
| ਸਟੈਂਡਰਡ | ਕ੍ਰੈਡਿਟ |
| ਪ੍ਰੀਮੀਅਮ | 4 ਕ੍ਰੈਡਿਟ |
AI ਪਾਠ ਤੋਂ ਬੋਲੀ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ
ਤਿੰਨ ਸਧਾਰਨ ਕਦਮਾਂ ਵਿੱਚ ਪੇਸ਼ੇਵਰ- ਕੁਆਲਟੀ ਬੋਲੀਓਵਰ ਬਣਾਓ। ਕੋਈ ਤਕਨੀਕੀ ਗਿਆਨ ਲੋੜੀਦਾ ਨਹੀਂ ਹੈ।
ਆਪਣਾ ਟੈਕਸਟ ਦਿਓ
ਟੈਕਸਟ, ਜੋ ਕਿ ਤੁਸੀਂ ਬੋਲੀ ਵਿੱਚ ਬਦਲਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਨੂੰ ਟਾਈਪ, ਚੇਪੋ ਜਾਂ ਅੱਪਲੋਡ ਕਰੋ । ਲਾਗਇਨ ਯੂਜ਼ਰ ਲਈ ਪ੍ਰਤੀ ਪੀੜ੍ਹੀ 5, 000 ਅੱਖਰ ਤੱਕ ਸਹਾਇਕ ਹੈ । ਸਾਦਾ ਟੈਕਸਟ ਵਰਤੋਂ ਜਾਂ ਉਚਾਰਨ, ਵਿਰਾਮ ਅਤੇ ਉਚਾਰਨ ਉੱਤੇ ਤਕਨੀਕੀ ਕੰਟਰੋਲ ਲਈ SSML ਟੈਗ ਸ਼ਾਮਲ ਕਰੋ ।
ਮਾਡਲ ਅਤੇ ਆਵਾਜ਼ ਚੁਣੋ
20+ AI ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਤਿੰਨ ਟਾਇਰਾਂ ਵਿੱਚ ਚੁਣੋ । ਆਪਣੀ ਸਮੱਗਰੀ ਨਾਲ ਮਿਲਦੀ ਇੱਕ ਆਵਾਜ਼ ਚੁਣੋ, ਆਪਣੀ ਟੀਚਾ ਭਾਸ਼ਾ ਚੁਣੋ, ਪਲੇਅਬੈਕ ਸਪੀਡ 0.5x ਤੋਂ 2.0x ਤੱਕ ਅਡਜੱਸਟ ਕਰੋ ਅਤੇ ਆਪਣਾ ਪਸੰਦ ਆਉਟਪੁੱਟ ਫਾਰਮੈਟ ਚੁਣੋ (MP3, WAV, OGG, ਜਾਂ FLAC) ।
ਬਣਾਓ( D)
ਬਣਾਓ ਕਲਿੱਕ ਕਰੋ ਅਤੇ ਤੁਹਾਡੀ ਆਡੀਓ ਕੁਝ ਸਕਿੰਟਾਂ ਵਿੱਚ ਤਿਆਰ ਹੋ ਜਾਵੇਗੀ । ਅੰਦਰੂਨੀ ਪਲੇਅਰ ਨਾਲ ਝਲਕ ਵੇਖੋ, ਆਪਣੀ ਪਸੰਦ ਦੇ ਫਾਰਮੈਟ ਵਿੱਚ ਡਾਊਨਲੋਡ ਕਰੋ ਜਾਂ ਸਾਂਝੇ ਕਰਨਯੋਗ ਲਿੰਕ ਦੀ ਕਾਪੀ ਕਰੋ । ਬੈਚ ਪਰੋਸੈਸਿੰਗ ਅਤੇ ਆਪਣੇ ਵਰਕਫਲੋ ਵਿੱਚ ਇਕਸਾਰਤਾ ਲਈ API ਵਰਤੋਂ ।
ਪਾਠ ਤੋਂ ਬੋਲੀ ਵਰਤੋਂ ਕੇਸName
ਐੱਨਆਈ-ਸ਼ਕਤੀਸ਼ਾਲੀ ਟੈਕਸਟ-ਟੂ-ਸਪੀਚ ਇਸ ਤਰੀਕੇ ਨੂੰ ਬਦਲ ਰਿਹਾ ਹੈ ਕਿ ਕਿਵੇਂ ਲੋਕ ਦਸ ਤੋਂ ਵੱਧ ਉਦਯੋਗਾਂ ਵਿੱਚ ਆਡੀਓ ਸਮੱਗਰੀ ਦਾ ਨਿਰਮਾਣ, ਖਪਤ ਅਤੇ ਆਪਸੀ ਸੰਪਰਕ ਕਰਦੇ ਹਨ।
ਸਭ ਪਾਠ ਤੋਂ ਬੋਲੀ ਮਾਡਲ
TTS.ai ਉੱਤੇ ਉਪਲੱਬਧ ਹਰੇਕ AI ਮਾਡਲ ਲਈ ਵੇਰਵਾ ਹੈ। ਆਪਣੇ ਪ੍ਰੋਜੈਕਟ ਲਈ ਸੰਪੂਰਨ ਮਾਡਲ ਲੱਭਣ ਲਈ ਕੁਆਲਟੀ, ਸਪੀਡ, ਭਾਸ਼ਾ ਸਹਿਯੋਗ ਅਤੇ ਫੀਚਰ ਦੀ ਤੁਲਨਾ ਕਰੋ।
Kokoro
Free
ਕੋਕੋਰੋ ਇੱਕ 82 ਮਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ ਆਪਣੇ ਭਾਰ ਵਰਗ ਤੋਂ ਉੱਪਰ ਹੈ। ਇਸ ਦੇ ਛੋਟੇ ਆਕਾਰ ਦੇ ਬਾਵਜੂਦ, ਇਹ ਬਹੁਤ ਹੀ ਕੁਦਰਤੀ ਅਤੇ ਭਾਵਪੂਰਨ ਬੋਲੀ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਕੋਕੋਰੋ ਅੰਗਰੇਜ਼ੀ, ਜਾਪਾਨੀ, ਚੀਨੀ ਅਤੇ ਕੋਰੀਆਈ ਸਮੇਤ ਕਈ ਭਾਸ਼ਾਵਾਂ ਲਈ ਸਹਾਇਕ ਹੈ। ਇਹ ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ ਤੇਜ਼ ਚੱਲਦਾ ਹੈ - GPU ਉੱਤੇ ਰੀਅਲ- ਟਾਈਮ ਤੋਂ ਲਗਭਗ 100x ਤੇਜ਼ ਆਡੀਓ ਪੈਦਾ ਕਰਦਾ ਹੈ।
Hexgrad
Apache 2.0
Fast
en, ja, zh, ko, fr, de, it, pt, es, hi, ru
1.5GB
ਕੋਈ ਨਹੀਂ
ਮੁਫਤ
Piper
Free
ਪਾਈਪਰ ਇੱਕ ਹਲਕਾ ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਇੰਜਣ ਹੈ, ਜੋ ਕਿ ਰਸਸਪੀ ਵਲੋਂ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ ਕਿ VITS ਅਤੇ ਲਾਂਰੀਕਸ ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ । ਇਹ ਪੂਰੀ ਤਰ੍ਹਾਂ CPU ਉੱਤੇ ਚੱਲਦਾ ਹੈ, ਇਸ ਨੂੰ ਐਡਜਸਟਮੈਂਟ ਜੰਤਰਾਂ, ਘਰ ਆਟੋਮੈਟਿਕ ਅਤੇ ਆਫਲਾਇਨ TTS ਦੀ ਲੋੜ ਵਾਲੇ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਢੁਕਵਾਂ ਬਣਾਉਂਦਾ ਹੈ । 30+ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ 100 ਤੋਂ ਵੱਧ ਆਵਾਜ਼ਾਂ ਨਾਲ, ਪਾਈਪਰ ਇੱਕ ਰਸਬੇਰੀ ਪੀ4 ਉੱਤੇ ਵੀ ਅਸਲੀ- ਸਮੇਂ ਦੀ ਗਤੀ ਨਾਲ ਕੁਦਰਤੀ- ਸੁਣਨਯੋਗ ਬੋਲੀ ਦਿੰਦਾ ਹੈ ।
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)
ਕੋਈ ਨਹੀਂ
ਮੁਫਤ
VITS
Free
VITS (ਵਰੀਏਸ਼ਨਲ ਇੰਫਰਰੇਸ਼ਨ ਨਾਲ ਐਂਡ- ਟੂ- ਐਂਡ ਟੈਕਸਟ- ਟੂ- ਸਪੀਚ ਲਈ ਵਿਰੋਧੀ ਸਿੱਖਣ) ਇੱਕ ਪੈਰਾਲੇਲ ਐਂਡ- ਟੂ- ਐਂਡ TTS ਢੰਗ ਹੈ, ਜੋ ਕਿ ਮੌਜੂਦਾ ਦੋ- ਪੜਾਅ ਮਾਡਲਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਕੁਦਰਤੀ ਸੁਣਨਯੋਗ ਆਡੀਓ ਪੈਦਾ ਕਰਦਾ ਹੈ । ਇਹ ਨਰਮਾਈ ਵਧਾਉਣ ਵਾਲੇ ਫਲੋ ਅਤੇ ਵਿਰੋਧੀ ਟਰੇਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਨਾਲ ਵਧਾਇਆ ਗਿਆ ਵਰੀਏਸ਼ਨਲ ਇੰਫਰਰੇਸ਼ਨ ਅਪਣਾਉਂਦਾ ਹੈ, ਜੋ ਕਿ ਕੁਦਰਤੀਤਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਲਿਆਉਂਦਾ ਹੈ ।
Jaehyeon Kim et al.
MIT
Fast
en, zh, ja, ko
1GB
ਕੋਈ ਨਹੀਂ
ਮੁਫਤ
MeloTTS
Free
MyShell. ai ਵਲੋਂ MeloTTS ਇੱਕ ਬਹੁ- ਭਾਸ਼ਾ TTS ਲਾਇਬਰੇਰੀ ਹੈ, ਜੋ ਕਿ ਅੰਗਰੇਜ਼ੀ (ਅਮਰੀਕੀ, ਬ੍ਰਿਟਿਸ਼, ਭਾਰਤੀ, ਆਸਟਰੇਲੀਆਈ), ਸਪੇਨੀ, ਫਰੈਂਚ, ਚੀਨੀ, ਜਾਪਾਨੀ ਅਤੇ ਕੋਰੀਆਈ ਲਈ ਸਹਾਇਕ ਹੈ । ਇਹ ਬਹੁਤ ਤੇਜ਼ ਹੈ, ਕੇਵਲ CPU ਉੱਤੇ ਰੀਅਲ- ਟਾਈਮ ਗਤੀ ਨਾਲ ਪਾਠ ਪਰੋਸੈਸ ਕਰਦਾ ਹੈ । MeloTTS ਉਤਪਾਦਨ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ CPU ਅਤੇ GPU ਦੋਹਾਂ ਲਈ ਸਹਾਇਕ ਹੈ ।
MyShell.ai
MIT
Fast
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
ਕੋਈ ਨਹੀਂ
ਮੁਫਤ
Bark
Standard
ਸੁਨੋ ਵਲੋਂ ਬਾਰਕ ਇੱਕ ਟਰਾਨਸਫਾਰਮਰ ਅਧਾਰਿਤ ਪਾਠ- ਤੋਂ- ਆਡੀਓ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ ਬਹੁਤ ਹੀ ਅਸਲੀ, ਬਹੁ- ਭਾਸ਼ਾ ਬੋਲੀ ਅਤੇ ਹੋਰ ਆਡੀਓ ਜਿਵੇਂ ਸੰਗੀਤ, ਬੈਕਗਰਾਊਂਡ ਝਟਕਾ ਅਤੇ ਸਾਊਂਡ ਪ੍ਰਭਾਵ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਨਾ- ਬੋਲੀ ਸੰਚਾਰ ਜਿਵੇਂ ਕਿ ਹਸਣਾ, ਹੰਝੂ ਵਹਾਣਾ ਅਤੇ ਰੋਣਾ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਬਾਰਕ 100 ਤੋਂ ਵੱਧ ਸਪੀਕਰ ਪ੍ਰੀ- ਸੈੱਟ ਅਤੇ 13+ ਭਾਸ਼ਾਵਾਂ ਲਈ ਸਹਾਇਕ ਹੈ।
Suno
MIT
Slow
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
ਕੋਈ ਨਹੀਂ
2x
Bark Small
Standard
ਬਾਰਕ ਸਿੰਪਲ ਬਾਰਕ ਮਾਡਲ ਦਾ ਇੱਕ ਡਿਸਟਿਲਡ ਵਰਜਨ ਹੈ, ਜੋ ਕਿ ਕੁਝ ਆਡੀਓ ਕੁਆਲਟੀ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ ਇੰਫਰਰੇਸ਼ਨ ਸਪੀਡ ਅਤੇ ਘੱਟ ਮੈਮੋਰੀ ਲੋੜਾਂ ਲਈ ਬਦਲਦਾ ਹੈ। ਇਹ ਬਾਰਕ ਦੀ ਭਾਵਨਾਵਾਂ, ਹਸੀਨੀਆਂ ਅਤੇ ਕਈ ਭਾਸ਼ਾਵਾਂ ਨਾਲ ਬੋਲੀ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਰੱਖਦਾ ਹੈ।
Suno
MIT
Medium
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
ਕੋਈ ਨਹੀਂ
2x
CosyVoice 2
Standard
ਅਲੀਬਾਬਾ ਦੀ ਟੋਂਗੀ ਲੈਬ ਦੀ ਕੋਸੀਵਾਇਸ2ਮਨੁੱਖੀ- ਤੁਲਨਾਤਮਕ ਬੋਲੀ ਕੁਆਲਟੀ ਨਾਲ ਬਹੁਤ ਘੱਟ ਲੈਂਟੇਸੀ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ, ਜੋ ਕਿ ਰੀਅਲ- ਟਾਈਮ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਢੁੱਕਵੀਂ ਹੈ । ਇਹ ਸਟਰੀਮਿੰਗ ਸੰਸਲੇਸ਼ਣ ਲਈ ਇੱਕ ਅੰਤਿਮ ਸਕੇਲਰ ਕੁਆਂਟਮਾਈਜ਼ੇਸ਼ਨ ਢੰਗ ਵਰਤਦੀ ਹੈ ਅਤੇ ਜ਼ੀਰੋ- ਸ਼ੋਟ ਬੋਲੀ ਕਲੋਨਿੰਗ, ਕ੍ਰਾਸ- ਲਿਪੀ ਸੰਸਲੇਸ਼ਣ ਅਤੇ ਫਾਈਨ- ਗ੍ਰੇਨੈੱਟ ਭਾਵਨਾ ਕੰਟਰੋਲ ਲਈ ਸਹਾਇਕ ਹੈ । ਇਹ ਕਈ ਵਪਾਰਕ TTS ਸਿਸਟਮਾਂ ਨੂੰ ਵਿਅਕਤੀਗਤ ਮੁਲਾਂਕਣ ਵਿੱਚ ਅੱਗੇ ਰੱਖਦੀ ਹੈ ।
Alibaba (Tongyi Lab)
Apache 2.0
Medium
en, zh, ja, ko, fr, de, it, es
4GB
ਹਾਂ
2x
Dia TTS
Standard
ਨਾਰੀ ਲੈਬਜ਼ ਵਲੋਂ ਡਾਈਆ ਇੱਕ 1.6B ਪੈਰਾਮੀਟਰ ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ ਖਾਸ ਤੌਰ ਉੱਤੇ ਬਹੁ- ਸਪੀਕਰ ਡਾਈਲਾਗ ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ । ਇਹ ਦੋ ਸਪੀਕਰ ਦਰਮਿਆਨ ਕੁਦਰਤੀ- ਸੁਣਨ ਵਾਲੀਆਂ ਗੱਲਬਾਤ ਬਣਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਸਹੀ ਤਰੱਕੀ, ਪਰੋਸੌਡੀ ਅਤੇ ਭਾਵਨਾਤਮਕ ਪ੍ਰਗਟਾਵਾ ਹੋਵੇ । ਡਾਈਆ ਪੋਡਕਾਸਟ- ਸਟਾਈਲ ਸਮੱਗਰੀ, ਆਡੀਓਬੁੱਕ ਡਾਈਲਾਗ ਅਤੇ ਇੰਟਰਐਕਟਿਵ ਸੰਵਾਦ AI ਬਣਾਉਣ ਲਈ ਸੰਪੂਰਨ ਹੈ ।
Nari Labs
Apache 2.0
Medium
en
4GB
ਕੋਈ ਨਹੀਂ
2x
Parler TTS
Standard
ਪਰਲਰ TTS ਇੱਕ ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਬੋਲੀ ਵੇਰਵੇ ਦੀ ਵਰਤੋਂ ਕਰ ਕੇ ਬਣਾਈ ਬੋਲੀ ਨੂੰ ਕੰਟਰੋਲ ਕਰਦਾ ਹੈ। ਪਹਿਲਾਂ- ਸੈੱਟ ਬੋਲੀਆਂ ਵਿੱਚੋਂ ਚੋਣ ਕਰਨ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਆਪਣੀ ਪਸੰਦ ਦੀ ਬੋਲੀ ਨੂੰ ਵਰਣਨ ਕਰੋ (ਜਿਵੇਂ ਕਿ "ਘੱਟ ਬ੍ਰਿਟਿਸ਼ ਅਵਾਜ਼ ਨਾਲ ਇੱਕ ਗਰਮ ਮਹਿਲਾ ਬੋਲੀ, ਹੌਲੀ ਅਤੇ ਸਪੱਸ਼ਟ ਬੋਲੀ") ਅਤੇ ਪਰਲਰ ਉਸ ਵੇਰਵੇ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਬੋਲੀ ਬਣਾਉਦਾ ਹੈ। ਇਹ ਇਸ ਨੂੰ ਸਿਰਜਣਾਤਮਕ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਵਿਲੱਖਣ ਫਲੈਸ਼ਬੈਕ ਬਣਾਉਂਦਾ ਹੈ।
Hugging Face
Apache 2.0
Medium
en
4GB
ਕੋਈ ਨਹੀਂ
2x
GLM-TTS
Standard
GLM- TTS by Zhipu AI ਇੱਕ ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਸਿਸਟਮ ਹੈ, ਜੋ ਕਿ ਲਮਾ ਆਰਕੀਟੈਕਚਰ ਉੱਤੇ ਫਲੋ ਮੇਲਿੰਗ ਨਾਲ ਬਣਾਇਆ ਗਿਆ ਹੈ । ਇਹ ਓਪਨ- ਸਰੋਤ TTS ਮਾਡਲਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਘੱਟ ਅੱਖਰ ਗਲਤੀ ਦਰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਜਿਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਹ ਸਭ ਤੋਂ ਸਹੀ ਉਚਾਰਨ ਪੈਦਾ ਕਰਦਾ ਹੈ । GLM- TTS ਅੰਗਰੇਜ਼ੀ ਅਤੇ ਚੀਨੀ ਲਈ 3- 10 ਸਕਿੰਟ ਆਡੀਓ ਨਮੂਨੇ ਤੋਂ ਬੋਲੀ ਕਲੋਨਿੰਗ ਲਈ ਸਹਾਇਕ ਹੈ ।
Zhipu AI
GLM-4 License
Medium
en, zh
4GB
ਹਾਂ
2x
IndexTTS-2
Standard
IndexTTS-2 ਇੱਕ ਉੱਨਤ ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਸਿਸਟਮ ਹੈ, ਜੋ ਕਿ ਸ਼ੂਟ- ਸ਼ੂਟ ਬੋਲੀ ਸੰਸਲੇਸ਼ਣ ਵਿੱਚ ਵਧੀਆ ਹੈ, ਜਿਸ ਵਿੱਚ ਚੰਗੀ ਤਰ੍ਹਾਂ ਝਾੜਿਆ ਭਾਵਨਾ ਕੰਟਰੋਲ ਹੈ । ਇਹ ਭਾਵਨਾ- ਖਾਸ ਟਰੇਨਿੰਗ ਡਾਟਾ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ ਖਾਸ ਭਾਵਨਾਤਮਕ ਟੋਨ ਜਿਵੇਂ ਕਿ ਖੁਸ਼, ਦੁਖੀ, ਗੁੱਸੇ ਜਾਂ ਭੈੜੀ ਭਾਵਨਾ ਨਾਲ ਬੋਲੀ ਬਣਾ ਸਕਦਾ ਹੈ । ਮਾਡਲ ਭਾਵਨਾਤਮਕ ਵੈਕਟਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਪੈਦਾ ਕੀਤੀ ਬੋਲੀ ਦੇ ਭਾਵਨਾਤਮਕ ਪ੍ਰਗਟਾਵੇ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ ।
Index Team
Bilibili Model License
Medium
en, zh
4GB
ਹਾਂ
2x
Spark TTS
Standard
Spark TTS by SparkAudio ਇੱਕ ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ ਬੋਲੀ ਕਲੋਨਿੰਗ ਨੂੰ ਕੰਟਰੋਲਯੋਗ ਭਾਵਨਾ ਅਤੇ ਬੋਲੀ ਸਟਾਈਲ ਨਾਲ ਜੋੜਦਾ ਹੈ। ਕੇਵਲ5ਸਕਿੰਟ ਦੇ ਹਵਾਲਾ ਆਡੀਓ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਇਹ ਇੱਕ ਬੋਲੀ ਨੂੰ ਕਲੋਨ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਫਿਰ ਵੱਖ ਵੱਖ ਭਾਵਨਾਵਾਂ, ਗਤੀ ਅਤੇ ਸਟਾਈਲ ਨਾਲ ਬੋਲੀ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਕਲੋਨ ਕੀਤੀ ਬੋਲੀ ਪਛਾਣ ਨੂੰ ਕਾਇਮ ਰੱਖਦਾ ਹੈ। Spark TTS ਇੱਕ ਪਰੋਮ- ਅਧਾਰਿਤ ਕੰਟਰੋਲ ਸਿਸਟਮ ਵਰਤਦਾ ਹੈ।
SparkAudio
CC BY-NC-SA 4.0
Medium
en, zh
4GB
ਹਾਂ
2x
GPT-SoVITS
Standard
GPT- SoVITS GPT- ਸਟਾਈਲ ਭਾਸ਼ਾ ਮੋਡੀਊਲਿੰਗ ਨੂੰ SoVITS (Singing Voice Inference via Translation and Synthesis) ਨਾਲ ਜੋੜਦਾ ਹੈ, ਜੋ ਕਿ ਸ਼ਕਤੀਸ਼ਾਲੀ ਕੁਝ- ਸ਼ੋਟਾਂ ਵਾਲੀ ਬੋਲੀ ਕਲੋਨਿੰਗ ਲਈ ਹੈ।5ਸਕਿੰਟ ਦੇ ਹਵਾਲਾ ਆਡੀਓ ਨਾਲ, ਇਹ ਇੱਕ ਬੋਲੀ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਕਲੋਨ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਬੋਲਣ ਵਾਲੇ ਦੀਆਂ ਵਿਲੱਖਣ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸੰਭਾਲਦੇ ਹੋਏ ਨਵੀਂ ਬੋਲੀ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਬੋਲਣ ਅਤੇ ਗਾਉਣ ਵਾਲੀ ਬੋਲੀ ਸੰਸਲੇਸ਼ਣ ਦੋਹਾਂ ਵਿੱਚ ਉੱਤਮ ਹੈ।
RVC-Boss
MIT
Slow
en, zh, ja, ko
6GB
ਹਾਂ
2x
Orpheus
Standard
Orpheus ਇੱਕ ਵੱਡੇ ਪੈਮਾਨੇ ਦਾ ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ ਮਨੁੱਖੀ- ਪੱਧਰ ਦੇ ਭਾਵਨਾਤਮਕ ਪ੍ਰਗਟਾਵੇ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ । 100, 000 ਘੰਟਿਆਂ ਤੋਂ ਵੱਧ ਦੇ ਵੱਖ- ਵੱਖ ਬੋਲੀ ਡਾਟਾ ਉੱਤੇ ਟਰੇਨ ਕੀਤਾ ਗਿਆ, ਇਹ ਕੁਦਰਤੀ ਭਾਵਨਾਵਾਂ, ਜ਼ੋਰ ਅਤੇ ਬੋਲੀ ਸ਼ੈਲੀ ਨਾਲ ਬੋਲੀ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਉੱਤਮ ਹੈ । Orpheus ਬੋਲੀ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਮਨੁੱਖੀ ਰਿਕਾਰਡਿੰਗ ਤੋਂ ਅਣਜਾਣ ਹੈ ।
Canopy Labs
Llama 3.2 Community
Medium
en
4GB
ਕੋਈ ਨਹੀਂ
2x
Chatterbox
Premium
ਚੈਟਰਬਾਕਸ by Resemble AI ਇੱਕ ਅਤਿ ਆਧੁਨਿਕ ਜ਼ੀਰੋ- ਸ਼ੋਟ ਆਵਾਜ਼ ਕਲੋਨਿੰਗ ਮਾਡਲ ਹੈ । ਇਹ ਇੱਕ ਆਡੀਓ ਨਮੂਨੇ ਤੋਂ ਕਿਸੇ ਵੀ ਆਵਾਜ਼ ਨੂੰ ਸ਼ਾਨਦਾਰ ਸਹੀਤਾ ਨਾਲ ਦੁਹਰਾ ਸਕਦਾ ਹੈ, ਨਾ ਕੇਵਲ ਟਿਮਬਰ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਬੋਲਣ ਦੀ ਸ਼ੈਲੀ ਅਤੇ ਭਾਵਨਾਤਮਕ ਨਜ਼ਰੀਏ ਨੂੰ ਵੀ ਫੜ ਸਕਦਾ ਹੈ । ਚੈਟਰਬਾਕਸ ਵਿੱਚ ਫਾਈਨ- ਗ੍ਰੇਨੈੱਟ ਭਾਵਨਾਤਮਕ ਕੰਟਰੋਲ ਵੀ ਹੈ, ਜੋ ਕਿ ਤੁਹਾਨੂੰ ਆਵਾਜ਼ ਪਛਾਣ ਤੋਂ ਸੁਤੰਤਰ ਬਣਾਈ ਗਈ ਬੋਲੀ ਦੇ ਭਾਵਨਾਤਮਕ ਟੋਨ ਨੂੰ ਅਡਜੱਸਟ ਕਰਨ ਦਿੰਦਾ ਹੈ ।
Resemble AI
MIT
Medium
en
4GB
ਹਾਂ
4x
Tortoise TTS
Premium
ਟੋਰਟੋਇਸ TTS ਇੱਕ ਆਟੋ- ਰਿਗਰੇਸਿਵ ਮਲਟੀ- ਆਵਾਜ਼ ਟੈਕਸਟ- ਟੂ- ਸਪੀਚ ਸਿਸਟਮ ਹੈ, ਜੋ ਕਿ ਸਪੀਡ ਉੱਤੇ ਆਡੀਓ ਕੁਆਲਟੀ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ । ਇਹ DALL- E- ਪ੍ਰੇਰਿਤ ਆਰਕੀਟੈਕਚਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਉੱਚ ਕੁਦਰਤੀ ਬੋਲੀ ਅਤੇ ਸਪੀਕਰ ਸਮਾਨਤਾ ਨਾਲ ਉੱਚ ਕੁਦਰਤੀ ਬੋਲੀ ਪੈਦਾ ਕਰਦਾ ਹੈ । ਕਈ ਵਿਕਲਪਾਂ ਨਾਲੋਂ ਹੌਲੀ ਹੋਣ ਦੇ ਬਾਵਜੂਦ, ਟੋਰਟੋਇਸ ਓਪਨ- ਸਰੋਤ ਈਕੋ- ਸਿਸਟਮ ਵਿੱਚ ਉਪਲੱਬਧ ਸਭ ਤੋਂ ਅਸਲੀ ਸੰਸਲੇਸ਼ਣ ਬੋਲੀ ਪੈਦਾ ਕਰਦਾ ਹੈ ।
James Betker
Apache 2.0
Slow
en
8GB
ਹਾਂ
4x
StyleTTS 2
Premium
StyleTTS2ਵਿੱਚ ਵੱਡੇ ਬੋਲੀ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਟਾਈਲ ਡਿਫਿਊਜ਼ਨ ਅਤੇ ਵਿਰੋਧੀ ਟਰੇਨਿੰਗ ਨੂੰ ਮਿਲਾ ਕੇ ਮਨੁੱਖੀ- ਪੱਧਰ TTS ਸੰਸਲੇਸ਼ਣ ਪ੍ਰਾਪਤ ਹੁੰਦਾ ਹੈ । ਇਹ ਇੱਕਲੇ ਬੋਲਣ ਵਾਲੇ ਮਾਡਲਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਕੁਦਰਤੀ ਸੁਣਨਯੋਗ ਬੋਲੀ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਮਨੁੱਖੀ ਰਿਕਾਰਡਿੰਗ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰਦਾ ਹੈ । StyleTTS2ਵਿਚ ਡਿਫਿਊਜ਼ਨ ਅਧਾਰਿਤ ਸਟਾਈਲ ਮਾਡਲਿੰਗ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜੋ ਕਿ ਮਨੁੱਖੀ ਬੋਲੀ ਦੀਆਂ ਵੱਖ- ਵੱਖ ਕਿਸਮਾਂ ਨੂੰ ਪੂਰੀ ਰੇਜ਼ ਤੱਕ ਫੜਦੀ ਹੈ ।
Columbia University
MIT
Medium
en
4GB
ਕੋਈ ਨਹੀਂ
4x
OpenVoice
Premium
MyShell. ai ਵਲੋਂ OpenVoice ਵਲੋਂ ਵੋਟ ਸਟਾਈਲ, ਭਾਵਨਾ, ਅਵਾਜ਼, ਰੀਥਮ, ਵਿਰਾਮ ਅਤੇ ਅਵਾਜ਼ ਦੇ ਨਿਯੰਤਰਣ ਨਾਲ ਤੁਰੰਤ ਵੋਟ ਕਲੋਨਿੰਗ ਨੂੰ ਸਹਾਇਕ ਹੈ । ਇਹ ਇੱਕ ਛੋਟੇ ਆਡੀਓ ਕਲਿੱਪ ਤੋਂ ਇੱਕ ਵੋਟ ਕਲੋਨ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਬੋਲਣ ਵਾਲੇ ਦੀ ਪਛਾਣ ਰੱਖਦੇ ਹੋਏ ਕਈ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਬੋਲੀ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ । OpenVoice ਇੱਕ ਵੋਟ ਕੰਨਵਰਟਰ ਦੇ ਤੌਰ ਤੇ ਵੀ ਕੰਮ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਰੀਅਲ-ਟਾਈਮ ਵੋਟ ਤਬਦੀਲੀ ਨੂੰ ਸਹਾਇਕ ਹੈ ।
MyShell.ai / MIT
MIT
Medium
en, zh, ja, ko, fr, de, es, it
4GB
ਹਾਂ
4x
Qwen3 TTS
Standard
Qwen3- TTS ਅਲੀਬਾਬਾ ਦੀ Qwen ਟੀਮ ਦਾ 1.7 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਮਾਡਲ ਹੈ । ਇਹ ਤਿੰਨ ਮੋਡਾਂ ਲਈ ਸਹਾਇਕ ਹੈ: ਭਾਵਨਾ ਕੰਟਰੋਲ ਨਾਲ ਪਹਿਲਾਂ- ਸੈੱਟ ਕੀਤੀਆਂ ਆਵਾਜ਼ਾਂ (9 ਸਪੀਕਰ), ਆਡੀਓ ਦੇ ਸਿਰਫ਼3ਸਕਿੰਟ ਤੋਂ ਆਵਾਜ਼ ਕਲੋਨਿੰਗ, ਅਤੇ ਇੱਕ ਵਿਲੱਖਣ ਆਵਾਜ਼ ਡਿਜ਼ਾਈਨ ਮੋਡ, ਜਿੱਥੇ ਤੁਸੀਂ ਆਪਣੀ ਭਾਸ਼ਾ ਵਿੱਚ ਭਾਸ਼ਾ ਨੂੰ ਦੱਸ ਸਕਦੇ ਹੋ । ਇਹ ਉੱਚ ਭਾਵਨਾਤਮਕਤਾ ਅਤੇ ਕੁਦਰਤੀ ਪਰੋਸੌਡੀ ਨਾਲ 10 ਭਾਸ਼ਾਵਾਂ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ ।
Alibaba (Qwen)
Apache 2.0
Medium
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
ਹਾਂ
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) ਇੱਕ 1 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ ਖਾਸ ਤੌਰ 'ਤੇ ਗੱਲਬਾਤ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ । ਇਹ ਮਨੁੱਖੀ ਗੱਲਬਾਤ ਦੇ ਕੁਦਰਤੀ ਪੈਟਰਨ ਦਾ ਮਾਡਲ ਹੈ, ਜਿਸ ਵਿੱਚ ਟੂਰ-ਟੈਪਿੰਗ ਟਾਈਮਿੰਗ, ਬੈਕ-ਚੈਨਲ ਜਵਾਬ, ਭਾਵਨਾਤਮਕ ਪ੍ਰਤੀਕ੍ਰਿਆ ਅਤੇ ਗੱਲਬਾਤ ਫਲੋ ਸ਼ਾਮਲ ਹਨ । CSM ਆਡੀਓ ਬਣਾਉਂਦਾ ਹੈ, ਜੋ ਕਿ ਸੰਸਲੇਸ਼ਿਤ ਬੋਲੀ ਦੀ ਬਜਾਏ ਕੁਦਰਤੀ ਮਨੁੱਖੀ ਗੱਲਬਾਤ ਵਾਂਗ ਸੁਣਾਈ ਦਿੰਦਾ ਹੈ ।
Sesame
Apache 2.0
Slow
en
8GB
ਕੋਈ ਨਹੀਂ
4x
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
ਕੋਈ ਨਹੀਂ
ਮੁਫਤ
Kokoro
ਮੁਫਤ
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
ਮੁਫਤ
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
ਮੁਫਤ
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
ਮੁਫਤ
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
Kitten TTS
ਮੁਫਤ
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
ਸਟੈਂਡਰਡ
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
ਕੋਈ ਨਹੀਂ
Bark Small
ਸਟੈਂਡਰਡ
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
ਕੋਈ ਨਹੀਂ
CosyVoice 2
ਸਟੈਂਡਰਡ
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
ਹਾਂ
Dia TTS
ਸਟੈਂਡਰਡ
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
ਕੋਈ ਨਹੀਂ
Parler TTS
ਸਟੈਂਡਰਡ
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
ਕੋਈ ਨਹੀਂ
GLM-TTS
ਸਟੈਂਡਰਡ
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
ਹਾਂ
IndexTTS-2
ਸਟੈਂਡਰਡ
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
ਹਾਂ
Spark TTS
ਸਟੈਂਡਰਡ
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
ਹਾਂ
GPT-SoVITS
ਸਟੈਂਡਰਡ
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
ਹਾਂ
Orpheus
ਸਟੈਂਡਰਡ
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
ਕੋਈ ਨਹੀਂ
Qwen3 TTS
ਸਟੈਂਡਰਡ
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
ਹਾਂ
Chatterbox
ਪ੍ਰੀਮੀਅਮ
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
ਹਾਂ
4GB
4x
Tortoise TTS
ਪ੍ਰੀਮੀਅਮ
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
ਹਾਂ
8GB
4x
StyleTTS 2
ਪ੍ਰੀਮੀਅਮ
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
ਕੋਈ ਨਹੀਂ
4GB
4x
OpenVoice
ਪ੍ਰੀਮੀਅਮ
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
ਹਾਂ
4GB
4x
Sesame CSM
ਪ੍ਰੀਮੀਅਮ
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
ਕੋਈ ਨਹੀਂ
8GB
4x
ਮਾਡਲ ਤੁਲਨਾ ਟੇਬਲ
| ਮਾਡਲ | ਡਿਵੈਲਪਰ: | ਟੀਅਰ | ਕੁਆਲਟੀ: | ਸਪੀਡ | ਭਾਸ਼ਾਵਾਂ | ਬੋਲੀ ਕਲੋਨਿੰਗ | VRAM | ਲਾਈਸੈਂਸ: | ਕ੍ਰੈਡਿਟ | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | Fast | 11 | 1.5GB | Apache 2.0 | ਮੁਫਤ | ਵਰਤੋਂ | ||
| Piper | Rhasspy | Free | Fast | 31 | 0 (CPU only) | MIT | ਮੁਫਤ | ਵਰਤੋਂ | ||
| VITS | Jaehyeon Kim et al. | Free | Fast | 4 | 1GB | MIT | ਮੁਫਤ | ਵਰਤੋਂ | ||
| MeloTTS | MyShell.ai | Free | Fast | 6 | 0.5GB (GPU optional) | MIT | ਮੁਫਤ | ਵਰਤੋਂ | ||
| Bark | Suno | Standard | Slow | 13 | 5GB | MIT | 2 | ਵਰਤੋਂ | ||
| Bark Small | Suno | Standard | Medium | 13 | 2GB | MIT | 2 | ਵਰਤੋਂ | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | Medium | 8 | 4GB | Apache 2.0 | 2 | ਵਰਤੋਂ | ||
| Dia TTS | Nari Labs | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | ਵਰਤੋਂ | ||
| Parler TTS | Hugging Face | Standard | Medium | 1 | 4GB | Apache 2.0 | 2 | ਵਰਤੋਂ | ||
| GLM-TTS | Zhipu AI | Standard | Medium | 2 | 4GB | GLM-4 License | 2 | ਵਰਤੋਂ | ||
| IndexTTS-2 | Index Team | Standard | Medium | 2 | 4GB | Bilibili Model License | 2 | ਵਰਤੋਂ | ||
| Spark TTS | SparkAudio | Standard | Medium | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | ਵਰਤੋਂ | ||
| GPT-SoVITS | RVC-Boss | Standard | Slow | 4 | 6GB | MIT | 2 | ਵਰਤੋਂ | ||
| Orpheus | Canopy Labs | Standard | Medium | 1 | 4GB | Llama 3.2 Community | 2 | ਵਰਤੋਂ | ||
| Chatterbox | Resemble AI | Premium | Medium | 1 | 4GB | MIT | 4 | ਵਰਤੋਂ | ||
| Tortoise TTS | James Betker | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | ਵਰਤੋਂ | ||
| StyleTTS 2 | Columbia University | Premium | Medium | 1 | 4GB | MIT | 4 | ਵਰਤੋਂ | ||
| OpenVoice | MyShell.ai / MIT | Premium | Medium | 8 | 4GB | MIT | 4 | ਵਰਤੋਂ | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | Medium | 10 | 7GB | Apache 2.0 | 2 | ਵਰਤੋਂ | ||
| Sesame CSM | Sesame | Premium | Slow | 1 | 8GB | Apache 2.0 | 4 | ਵਰਤੋਂ | ||
| Kitten TTS | KittenML | Free | Fast | 1 | 0GB | Apache 2.0 | ਮੁਫਤ | ਵਰਤੋਂ |
ਸਭ ਤੋਂ ਵਿਆਪਕ AI ਪਾਠ ਤੋਂ ਬੋਲੀ ਪਲੇਟਫਾਰਮName
ਟੈਕਸਟ ਤੋਂ ਬੋਲੀ ਲਈ TTS.ai ਕਿਉਂ ਚੁਣੋ?
TTS.ai ਦੁਨੀਆ ਦੇ ਸਭ ਤੋਂ ਵਧੀਆ ਓਪਨ-ਸੋਰਸ ਟੈਕਸਟ-ਟੂ-ਸਪੀਚ ਮਾਡਲਾਂ ਨੂੰ ਇੱਕ, ਵਰਤਣ ਲਈ ਸੌਖਾ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਇਕੱਠਾ ਕਰਦਾ ਹੈ। ਮਾਲਕੀਅਤ ਸਰਵਿਸਾਂ ਤੋਂ ਵੱਖਰਾ, ਜੋ ਕਿ ਤੁਹਾਨੂੰ ਇੱਕ ਬੋਲੀ ਇੰਜਣ ਵਿੱਚ ਲਾਕ ਕਰਦੇ ਹਨ, TTS.ai ਤੁਹਾਨੂੰ Coqui, MyShell, Amphion, NVIDIA, Suno, HuggingFace, Tsinghua University ਅਤੇ ਹੋਰਾਂ ਸਮੇਤ ਪ੍ਰਮੁੱਖ ਖੋਜ ਲੈਬਾਂ ਤੋਂ 20+ ਮਾਡਲਾਂ ਤੱਕ ਪਹੁੰਚ ਦਿੰਦਾ ਹੈ।
ਹਰ ਮਾਡਲ MIT, Apache 2.0ਜਾਂ ਇਸੇ ਤਰ੍ਹਾਂ ਦੇ ਲਾਈਸੈਂਸ ਅਧੀਨ ਓਪਨ ਸਰੋਤ ਹੈ, ਜੋ ਕਿ ਤੁਹਾਡੇ ਲਈ ਆਪਣੇ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਆਡੀਓ ਬਣਾਉਣ ਲਈ ਪੂਰੇ ਵਪਾਰਕ ਅਧਿਕਾਰਾਂ ਦੀ ਗਰੰਟੀ ਦਿੰਦਾ ਹੈ। ਭਾਵੇਂ ਤੁਹਾਨੂੰ ਰੀਅਲ-ਟਾਈਮ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਤੇਜ਼, ਹਲਕਾ ਸੰਸਲੇਸ਼ਣ ਦੀ ਲੋੜ ਹੈ ਜਾਂ ਆਡੀਓਬੁੱਕਾਂ ਅਤੇ ਪੋਡਕਾਸਟਾਂ ਲਈ ਪ੍ਰੀਮੀਅਮ ਸਟੂਡੀਓ-ਕੁਆਲਿਟੀ ਆਉਟਪੁੱਟ, TTS.ai ਕੋਲ ਹਰੇਕ ਵਰਤੋਂ ਲਈ ਸਹੀ ਮਾਡਲ ਹੈ।
ਮੁਫਤ ਮਾਡਲ, ਕੋਈ ਅਕਾਊਂਟ ਲੋੜੀਦਾ ਨਹੀਂ
ਤਿੰਨ ਮੁਫਤ TTS ਮਾਡਲਾਂ ਨਾਲ ਤੁਰੰਤ ਸ਼ੁਰੂਆਤ ਕਰੋ: ਪਾਈਪਰ (ਅਤਿ ਤੇਜ਼, ਹਲਕਾ), VITS (ਉੱਚ ਕੁਆਲਟੀ ਨਿਊਰਲ ਸੰਸਲੇਸ਼ਣ), ਅਤੇ MeloTTS (ਬਹੁ- ਭਾਸ਼ਾ ਸਹਿਯੋਗ) । ਕੋਈ ਰਜਿਸਟਰੇਸ਼ਨ ਨਹੀਂ, ਕੋਈ ਕ੍ਰੈਡਿਟ ਕਾਰਡ ਨਹੀਂ, ਕੋਈ ਪੀੜ੍ਹੀਆਂ ਦੀ ਸੀਮਾ ਨਹੀਂ ਹੈ । ਮੁਫਤ ਮਾਡਲ ਅੰਗਰੇਜ਼ੀ ਅਤੇ ਕਈ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਲਈ ਸਹਿਯੋਗੀ ਹਨ, ਜੋ ਕਿ ਕੁਦਰਤੀ- ਸੁਣਨਯੋਗ ਆਉਟਪੁੱਟ ਨਾਲ ਬਹੁਤੇ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਢੁਕਵੇਂ ਹਨ ।
GPU- ਐਕਸਲੇਰੇਟਡ ਪਰੋਸੈਸਿੰਗ
ਸਭ TTS ਮਾਡਲ ਤੇਜ਼, ਸਥਿਰ ਪੈਦਾ ਕਰਨ ਸਮੇਂ ਲਈ ਸਮਰਪਿਤ NVIDIA GPUs ਉੱਤੇ ਚੱਲਦੇ ਹਨ। ਮੁਫਤ ਮਾਡਲ ਆਮ ਤੌਰ ਤੇ2ਸਕਿੰਟ ਤੋਂ ਘੱਟ ਸਮੇਂ ਵਿੱਚ ਆਡੀਓ ਪੈਦਾ ਕਰਦੇ ਹਨ। ਸਟੈਂਡਰਡ ਮਾਡਲ ਜਿਵੇਂ ਕਿ ਕੋਕੋਰੋ, ਕੋਸੀਵਾਇਸ2ਅਤੇ ਬਾਰਕ ਔਸਤਨ 3-5 ਸਕਿੰਟ ਲੈਂਦੇ ਹਨ। ਸਭ ਤੋਂ ਉੱਚ ਕੁਆਲਟੀ ਵਾਲੇ ਪ੍ਰੀਮੀਅਮ ਮਾਡਲ, ਜਿਵੇਂ ਕਿ ਟੋਰਟੋਇਸ ਅਤੇ ਚੈਟਰਬਾਕਸ, ਟੈਕਸਟ ਲੰਬਾਈ ਦੇ ਅਧਾਰ ਤੇ 5-15 ਸਕਿੰਟ ਵਿੱਚ ਕਾਰਜਸ਼ੀਲ ਹੁੰਦੇ ਹਨ।
30+ ਭਾਸ਼ਾਵਾਂ ਸਹਾਇਕ
ਅੰਗਰੇਜ਼ੀ, ਸਪੇਨੀ, ਫਰੈਂਚ, ਜਰਮਨ, ਇਤਾਲਵੀ, ਪੁਰਤਗਾਲੀ, ਚੀਨੀ, ਜਾਪਾਨੀ, ਕੋਰੀਆਈ, ਅਰਬੀ, ਹਿੰਦੀ, ਰੂਸੀ ਅਤੇ ਹੋਰ ਬਹੁਤ ਸਾਰੀਆਂ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਬੋਲੀ ਬਣਾਓ । ਕਈ ਮਾਡਲ ਪਾਰ-ਭਾਸ਼ਾ ਸੰਸਲੇਸ਼ਣ ਲਈ ਸਹਾਇਕ ਹਨ, ਜਿਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਤੁਸੀਂ ਇੱਕ ਅਜਿਹੀ ਭਾਸ਼ਾ ਵਿੱਚ ਬੋਲੀ ਬਣਾ ਸਕਦੇ ਹੋ, ਜਿਸ ਵਿੱਚ ਅਸਲੀ ਬੋਲੀ ਨੂੰ ਕਦੇ ਟਰੇਨਿੰਗ ਨਹੀਂ ਦਿੱਤੀ ਗਈ ਸੀ । ਕੋਸੀਵਾਇਸ2ਅਤੇ GPT- ਸੋਵਿਟਸ ਪਾਰ-ਭਾਸ਼ਾ ਬੋਲੀ ਕਲੋਨਿੰਗ ਵਿੱਚ ਉੱਤਮ ਹਨ ।
ਡਿਵੈਲਪਰ- ਤਿਆਰ API
ਸਾਡੇ OpenAI- ਅਨੁਕੂਲ REST API ਨਾਲ ਆਪਣੇ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ TTS.ai ਨੂੰ ਇਕਸਾਰ ਕਰੋ । ਸਭ 20+ ਮਾਡਲਾਂ ਲਈ ਇੱਕ ਅੰਤ- ਬਿੰਦੂ । Python, JavaScript, cURL, ਅਤੇ Go SDKs । ਰੀਅਲ-ਟਾਈਮ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਸਟਰੀਮਿੰਗ ਸਹਿਯੋਗ । ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਸਮੱਗਰੀ ਪੈਦਾ ਕਰਨ ਲਈ ਬੈਚ ਪਰੋਸੈਸਿੰਗ । ਅਸੰਮਿਲ ਨੋਟੀਫਿਕੇਸ਼ਨ ਲਈ ਵੈਬ-ਹੁਕਸ । ਪਰੋ ਅਤੇ ਐਂਟੀਟਰਪ ਪਲਾਨ 'ਤੇ ਉਪਲੱਬਧ ਹੈ ।
ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ
ਅਸੀਂ ਕੀ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਾਂ? ਤੁਹਾਡੀ ਟਿੱਪਣੀ ਸਾਨੂੰ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ।
ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਬਦਲਣਾ ਹੁਣੇ ਸ਼ੁਰੂ ਕਰੋ
TTS.ai ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹਜ਼ਾਰਾਂ ਸਿਰਜਕਾਂ ਨਾਲ ਜੁੜੋ। ਇੱਕ ਨਵੇਂ ਅਕਾਊਂਟ ਨਾਲ 15,000 ਮੁਫਤ ਅੱਖਰ ਪ੍ਰਾਪਤ ਕਰੋ। ਮੁਫਤ ਮਾਡਲ ਬਿਨਾਂ ਰਜਿਸਟਰ ਕੀਤੇ ਉਪਲੱਬਧ ਹਨ।