Texto à fala da IA

Kokoro é um parâmetro de 82 milhões de parâmetros do modelo text-to-speech que soca muito acima de sua classe de peso. Apesar de seu pequeno tamanho, produz discursos notavelmente naturais e expressivos. Kokoro suporta múltiplos idiomas, incluindo inglês, japonês, chinês e coreano com uma variedade de vozes expressivas. Ele funciona incrivelmente rápido — gerando áudio quase 100x mais rápido do que em tempo real em uma GPU.

O Piper é um motor leve de texto a voz desenvolvido pelo Rhasspy que utiliza arquiteturas VITS e laringe. Funciona inteiramente na CPU, tornando-o ideal para dispositivos de borda, automação domiciliar e aplicações que requerem TTS offline. Com mais de 100 vozes em mais de 30 idiomas, o Piper oferece fala natural a velocidades em tempo real mesmo em um Raspberry Pi 4.

O VITS (Inferência Variacional com Aprendizagem adversarial para Texto-a-Função) é um método paralelo do TTS-Fundação que gera áudio sonoro mais natural do que os modelos atuais de dois estágios. Adota inferência variacional aumentada com fluxos de normalização e um processo de treinamento adversario, alcançando uma melhora significativa da naturalidade.

MeloTTS by MyShell.ai é uma biblioteca multilingue de TTS que apoia o inglês (americano, britânico, indiano, australiano), espanhol, francês, chinês, japonês e coreano. É extremamente rápido, processando texto em quase velocidade em tempo real na CPU sozinho. MeloTTS é projetado para uso de produção e suporta tanto a inferência CPU como GPU.

Bark by Suno é um modelo text-to-audio baseado em transformadores que pode gerar discursos altamente realistas, multilingue, bem como outros áudios como música, ruído de fundo e efeitos sonoros. Pode produzir comunicações não verbais como rir, suspirar e chorar. Bark suporta mais de 100 predefinições de alto-falante e 13+ línguas.

O Bark Small é uma versão destilada do modelo Bark que comercializa alguma qualidade de áudio para velocidades de inferência significativamente mais rápidas e menores requisitos de memória. Retém a capacidade da Bark de gerar fala com emoções, risos e múltiplos idiomas.

CosyVoice 2 do Laboratório Tongyi de Alibaba alcança qualidade de fala compatível com humanos com latência extremamente baixa, tornando-o ideal para aplicações em tempo real. Usa uma abordagem de quantização escalar finita para a síntese de streaming e suporta clonagem de voz zero-shot, síntese translingüe e controle de emoções finamente enraizados. Ele excede muitos sistemas de TTS comerciais em avaliações subjetivas.

Dia by Nari Labs é um parâmetro 1,6B de texto para voz projetado especificamente para gerar diálogo multi-falantes. Pode produzir conversas de som natural entre dois alto-falantes com expressão apropriada por turnos, prosódia e emocional. Dia é perfeito para criar conteúdo de estilo podcast, diálogos de audiobook e IA interativa.

O Parler TTS é um modelo text-to-speech que usa descrições de voz de linguagem natural para controlar a fala gerada. Em vez de selecionar a partir de vozes predefinidas, você descreve a voz que você quer (por exemplo, "uma voz feminina quente com um ligeiro acento britânico, falando lentamente e claramente") e o Parler gera fala correspondente a essa descrição. Isto torna-a únicamente flexível para aplicações criativas.

GLM-TTS by Zhipu AI é um sistema de texto a voz construído na arquitetura de Llama com correspondência de fluxo. Ele atinge a menor taxa de erro de caracteres entre os modelos de TTS de código aberto, o que significa que produz a pronúncia mais precisa. GLM-TTS suporta inglês e chinês com clonagem de voz de 3-10 segundas amostras de áudio.

IndexTTS-2 é um sistema avançado de texto a voz que excede na síntese de voz zero-shot com controle de emoções finas. Pode gerar fala com tons emocionais específicos como felizes, tristes, zangados ou temerosos sem necessitar de dados de treinamento específicos de emoções. O modelo usa vetores emotivos para controlar com precisão a expressão emocional da fala gerada.

Spark TTS by SparkAudio é um modelo de texto para voz que combina a clonação de voz com emoção controlável e estilo de fala. Usando apenas 5 segundos de áudio de referência, pode clonar uma voz e, em seguida, gerar fala com diferentes emoções, velocidades e estilos, mantendo a identidade de voz clonada. Spark TTS usa um sistema de controle baseado em prompt.

GPT-SoVITS combina a modelagem de linguagem em estilo GPT com SoVITS (Inferência de Canção de Voz via Tradução e Síntese) para o poderoso clonamento de voz pouco excitante. Com tão poucos 5 segundos de áudio de referência, pode clonar com precisão uma voz e gerar nova fala, preservando as características únicas do alto-falante. Excele tanto na síntese de voz falando como cantando.

Orfeus é um modelo de texto a voz em grande escala que alcança a expressão emocional a nível humano. Formado em mais de 100.000 horas de diversos dados de fala, ele excede na geração de fala com emoções naturais, ênfase e estilos de fala. Orfeus pode produzir fala que é praticamente indistingível a partir de gravações humanas.

Chatterbox by Resemble AI é um modelo de clonagem de voz zero-hot de ponta. Pode replicar qualquer voz de uma única amostra de áudio com uma precisão notável, capturando não apenas o timbre, mas também o estilo de fala e nuances emocionais. Chatterbox também possui controle emotivo com engrasamento fino, permitindo que você ajuste o tom emocional da fala gerada independentemente da identidade da voz.

Tortoise TTS é um sistema multi-voz autorregressivo de texto a voz que prioriza a qualidade do áudio sobre a velocidade. Usa a arquitetura inspirada em DALL-E para gerar fala altamente natural com excelente semelhança de prosódia e alto-falante. Enquanto mais lento do que muitas alternativas, Tortoise produz uma parte da fala sintética mais realista disponível no ecossistema de código aberto.

O StyleTTS 2 alcança a síntese do TTS a nível humano, combinando a difusão do estilo com o treinamento adversario utilizando modelos de linguagem fonoaudiológica, gerando a fala sonora mais natural entre modelos de fala única, rivalizando as gravações humanas. O StyleTTS 2 utiliza a modelagem de estilo baseado em difusão para captar toda a gama de variação da fala humana.

OpenVoice by MyShell.ai permite clonar voz instantânea com controle granular sobre estilo de voz, emoção, acento, ritmo, pausas e entonação. Pode clonar uma voz a partir de um pequeno clipe de áudio e gerar fala em vários idiomas mantendo a identidade do alto-falante. OpenVoice também funciona como conversor de voz, permitindo transformação de voz em tempo real.

Qwen3-TTS é um parâmetro de 1,7 bilhões de parâmetros da equipe Qwen da Alibaba. Ele suporta três modos: vozes predefinidas com controle de emoção (9 alto-falantes), clonagem de voz a partir de apenas 3 segundos de áudio, e um modo único de design de voz onde você descreve a voz que você deseja em linguagem natural. Ele cobre 10 idiomas com alta expressividade e prósodia natural.

Sesame CSM (Conversational Speech Model) é um modelo de parâmetro de 1 bilhão projetado especificamente para gerar fala conversacional. Ele modela os padrões naturais da conversação humana, incluindo tempo de tomada de turnos, respostas ao canal backcanal, reações emocionais e fluxo conversacional. CSM gera áudio que soa como uma conversa humana natural em vez de fala sintética.

Chatterbox Turbo by Resemble IA é uma atualização de parâmetros 350M para Chatterbox, entregando até 6x velocidade em tempo real com latência de sub-200ms. Ele suporta tags paralinguísticos como [laugh], [tough] e [chuckle] diretamente no texto. Inclui marcas de água Perth em todos os áudio gerado para rastreamento de provenência.

Zonos v0.1 por Zyphra é um modelo de parâmetro 1.6B com controle de emoções finamente cerâmicas com deslizantes para a felicidade, raiva, tristeza, medo e surpresa. Oferece tanto uma variante Transformador como uma novela SSM (modelo de espaço-estado).Fornecido em 200K+ horas de fala multilingue com clonagem de voz zero-shot a partir de 10-30 segundos de áudio de referência.

Dia2 by Nari Labs é uma primeira atualização de streaming para o Dia, disponível em variantes de parâmetros 1B e 2B. Começa a sintetizar áudio a partir dos primeiros tokens, tornando-o ideal para agentes de voz em tempo real e pipelines de fala a voz. Suporta diálogo multi-falantes com [S1]/[S2] tags e pistas paralinguísticas como (rids), (tongs).

VoxCPM 1.5 por OpenBMB é um novo modelo TTS sem tokenizador que opera em espaço contínuo e não em tokens discretos. Produz áudio de alta fidelidade 44,1kHz, suporta clonagem de voz zero a partir de 3-10 segundos, e mantém consistência entre parágrafos. clonagem em língua cruzada permite que você aplique uma voz inglesa à fala chinesa e vice-versa.

OuteTTS estende grandes modelos de linguagem com capacidades de texto a voz, preservando a arquitetura original. Ele suporta múltiplos backends incluindo lama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, e até mesmo inferência do navegador via Transformers.js. Características de clonagem de voz zero-shot através de perfis de alto-falante salvos como JSON.

TADA (Text-Acoustic Dual Alinement) de Hume AI é um modelo de TTS inovador que elimina alucinações através de uma nova arquitetura de duplo alinhamento construída em Llama 3.2. Disponível em variantes 1B (inglês) e 3B (multilingual), TADA atinge um RTF de 0,09 — 5x mais rápido do que modelos comparáveis TTS baseados em LLM. Ele suporta até 700 segundos de contexto de áudio e produz fala emocionalmente expressiva com alucinações zero em referências padrão.

VibeVoice da Microsoft vem em duas variantes: um modelo 1.5B para conteúdo de forma longa (até 90 minutos, 4 alto-falantes) e um modelo em tempo real 0.5B para streaming com ~200ms primeira latência de áudio. A variante 1.5B excelve em podcasts e audiobooks com consistência de alto-falante em passagens longas. Nota: Microsoft removeu o código TTS do repositório e áudio gerado inclui descartaduras audíveis de IA.

Pocket TTS by Kyutai (creadores de Moshi) é um parâmetro compacto de 100M de texto a voz que sopra bem acima do seu peso. Ele funciona de forma eficiente na CPU, suporta clonagem de voz zero-hot a partir de uma única amostra de áudio, e produz fala de som natural. O pequeno tamanho do modelo torna-o ideal para a implantação de bordas e ambientes de baixo recurso.

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.