AI متن کان ڳالھائڻName

ڪوڪورو هڪ 82 ملين پاراميٽرن وارو متن کان ڳالهائڻ وارو ماڊل آهي جيڪو پنهنجي وزن جي ڪلاس کان مٿي آهي. پنهنجي ننڍڙي سائيز جي باوجود ، اهو تمام گهڻو قدرتي ۽ اظهاري ڳالهائڻ پيدا ڪري ٿو. ڪوڪورو ڪيترن ئي ٻولين کي سپورٽ ڪري ٿو جن ۾ انگريزي ، جاپاني ، چيني ۽ ڪورين شامل آهن جن ۾ اظهاري آوازن جي تنوع آهي. اهو ڏاڍو تيز هلندو آهي - هڪ GPU تي حقيقي وقت جي ڀيٽ ۾ تقريبن 100x تيز آواز پيدا ڪري ٿو.

پيپر هڪ ھلڪو متن کان ڳالھائڻ وارو انجن آهي جيڪو Rhasspy پاران ترقي يافته آهي جيڪو VITS ۽ larynx architectures استعمال ڪري ٿو. اهو مڪمل طور تي سي پي يو تي هلندو آهي، ان کي ايج ڊيوائسز، گھر جي خودڪار، ۽ آف لائن TTS جي ضرورت وارين ايپليڪيشنن لاءِ مثالي بڻائيندو آهي. 30+ ٻولين ۾ 100 کان وڌيڪ آوازن سان، پيپر هڪ Raspberry Pi 4 تي به حقيقي وقت جي رفتار تي طبعي آواز واري ڳالھائڻ مهيا ڪري ٿو.

VITS (Variation Inference with adversarial learning for end-to-end Text-to-Speech) هڪ متوازي end-to-end TTS طريقو آهي جيڪو موجوده ٻن مرحلن جي ماڊلن جي ڀيٽ ۾ وڌيڪ قدرتي آواز وارو آڊيو پيدا ڪري ٿو. اهو مختلف انفريشن کي قبول ڪري ٿو جيڪو معمولي وهڪري سان وڌايو ويو آهي ۽ هڪ مقابلي واري تربيت واري عمل سان، طبيعت ۾ وڏي بهتري حاصل ڪري ٿو.

MyShell.ai طرفان MeloTTS هڪ ٻن ٻولين جي TTS لائبريري آهي جيڪا انگريزي (آمريڪي، برطانوي، هندي، آسٽريليا)، اسپينش، فرانسيسي، چيني، جاپاني ۽ ڪورين کي سپورٽ ڪري ٿي. اهو تمام تيز آهي، صرف سي پي يو تي حقيقي وقت جي رفتار تي متن کي پروسيس ڪري ٿو. MeloTTS پيداوار جي استعمال لاءِ ٺاهيو ويو آهي ۽ سي پي يو ۽ جي پي يو ٻنهي کي سپورٽ ڪري ٿو.

Bark by Suno هڪ ٽرانسميٽر تي ٻڌل متن کان آڊيو ماڊل آهي جيڪو تمام حقيقي، ڪيترن ٻولين جي ڳالهائڻ ۽ ٻين آڊيو جهڙوڪ موسيقي، پس منظر جي شور ۽ آواز جي اثرن کي پيدا ڪري سگهي ٿو. اهو غير لفظي رابطن جهڙوڪ کلڻ، ساهه کڻڻ ۽ روئڻ کي پيدا ڪري سگهي ٿو. Bark 100 کان وڌيڪ اسپيڪر پريسيٽ ۽ 13+ ٻولين کي سپورٽ ڪري ٿو.

Bark Small Bark ماڊل جو هڪ ڊسٽليٽ ٿيل ورزن آهي جيڪو ڪجهه آڊيو معيار کي وڌيڪ تيز فيصلي جي رفتار ۽ گهٽ ياد رکڻ جي ضرورتن لاءِ وڪرو ڪري ٿو. اهو Bark جي ڳالهائڻ جي صلاحيت کي جذبن، کلڻ ۽ ڪيترن ئي ٻولين سان پيدا ڪرڻ جي صلاحيت برقرار رکي ٿو.

Alibaba's Tongyi Lab پاران CosyVoice 2 انسان جي مقابلي واري ڳالهائڻ جي معيار کي تمام گهٽ دير سان حاصل ڪري ٿو، ان کي ريئل ٽائيم ايپليڪيشنن لاءِ مثالي بڻائي ٿو. اهو اسٽريمنگ سنسڪرت لاءِ هڪ محدود اسڪالر ڪائونٽيزيشن طريقيڪار استعمال ڪري ٿو ۽ صفر-شوٽ آواز جي کلوننگ، ڪراس-لنگوي سنسڪرت، ۽ وڻندڙ احساس ڪنٽرول جي حمايت ڪري ٿو. اهو ڪيترن ئي تجارتي TTS سسٽمن کي موضوعي جائزن ۾ اڳتي وڌائي ٿو.

Dia by Nari Labs 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.

پارلر TTS هڪ متن کان ڳالھائڻ وارو ماڊل آھي جيڪو پيدا ڪيل ڳالھائڻ کي ڪنٽرول ڪرڻ لاءِ قدرتي ٻوليءَ جي آواز جي بيانن کي استعمال ڪندو آھي. اڳ ٺھرايل آوازن مان چونڊڻ جي بدران، توھان ان آواز کي بيان ڪري سگھو ٿا جيڪو توھان چاھيو ٿا (مثال طور، "ھڪ گرم عورت جو آواز ٿوري برطانوي ڌڙڪ سان، ھلڪو ۽ پڌرو ڳالهائيندو آھي") ۽ پارلر ان بيان سان ٺھندڙ ڳالھائڻ پيدا ڪندو آھي. اھو ان کي تخليقي ايپليڪيشنن لاءِ خاص طور تي لچڪدار بڻائيندو آھي.

AI4Bharat پاران Indic Parler TTS پارلر جي فن تعمير کي هندستاني ٻولين تائين وڌائي ٿو، تامل، بنگالي، ماراتي، گجراتي، ڪنڊي، پنجابي، اوديا، آسامي، هندي، ٽيلوگو، ملايالام ۽ انگريزي ۾ قدرتي ڳالهائڻ پيدا ڪري ٿو. پارلر وانگر، توهان آواز کي صاف ٻولي ۾ بيان ڪري سگهو ٿا ۽ ماڊل ان سان ملندو آهي - ڪوبه اڳيون آواز گهربل نه آهي. AI4Bharat جي ڳالهائڻ جي ڪارپوريشن تي تربيت ڏنل آهي ته جيئن هندستاني ڍنڍن ۾ سچي ڳالهائڻ ۽ پروزوڊي حاصل ڪري سگهجي.

خانوم تان ٽي ٽي ايس هڪ کليل ٽيلينڊ متن-آء-سوئچ ماڊل آهي جيڪو YourTTS ڪيترن ٻولين جي تعمير تي ٺهيل آهي. CC0 تي تربيت ڏنل ۽ ڪيترن ٻين ٻولين سان گڏ اجازت نامي سان لائسنس ٿيل ٽيلينڊ ڪورپارس (TSync) ، اهو ڪيترن ئي ڳالهائيندڙن جي آوازن سان طبعي ٽيلينڊ سڏ ڏئي ٿو. ٽيلينڊ لاءِ هڪ صاف ، تجارتي استعمال جو اختيار - ٻوليءَ جا سڀ کان وڌيڪ کليل ٽيلينڊ ٽي ايس ماڊل صرف غير تجارتي لائسنسن جي هيٺان وڪرو ڪن ٿا.

IndexTTS-2 هڪ ترقي يافته متن کان ڳالهائڻ وارو سسٽم آهي جيڪو صفر-شوٽ آواز جي سنٿسيٽ ۾ بهترين آهي. اهو خاص جذباتي ٽون جهڙوڪ خوش، ڏکيو، ڪاوڙ يا ڊڄندڙ سان ڳالهائي سگهي ٿو بغير احساس خاص تربيت واري ڊيٽا جي ضرورت جي. ماڊل جذباتي ويڪٽر استعمال ڪري ٿو پيدا ڪيل ڳالهائڻ جي جذباتي اظهار کي درست ڪنٽرول ڪرڻ لاءِ.

Spark TTS by SparkAudio هڪ متن کان ڳالهائڻ وارو ماڊل آهي جيڪو آواز جي کلوننگ کي ڪنٽرول ٿيل جذبي ۽ ڳالهائڻ جي انداز سان گڏ ڪري ٿو. رڳو 5 سيڪنڊن جي حوالي آڊيو جي استعمال سان، اهو آواز کي کلون ڪري سگهي ٿو ۽ پوءِ مختلف جذبن، رفتارن ۽ اندازن سان ڳالهائڻ پيدا ڪري سگهي ٿو جڏهن ته ڪلون ٿيل آواز جي شناخت کي برقرار رکي. Spark TTS هڪ پروموشن تي ٻڌل ڪنٽرول سسٽم استعمال ڪري ٿو.

GPT-SoVITS GPT-style language modeling کي SoVITS (Singing Voice Inference via Translation and Synthesis) سان ڳنڍي ٿو طاقتور ٿورڙن شاٽن جي آواز جي کلوننگ لاءِ. 5 سيڪنڊن جي حوالي آڊيو سان، اهو صحيح طرح آواز کي کلون ڪري سگھي ٿو ۽ نئين ڳالهائڻ کي پيدا ڪري سگھي ٿو جڏهن ته ڳالهائيندڙ جي منفرد خاصيتن کي محفوظ ڪري ٿو. اهو ٻنهي ڳالهائڻ ۽ ڳائڻ واري آواز جي سنٿس ۾ بهترين آهي.

Orpheus هڪ وڏي پيماني تي متن کان ڳالهائڻ وارو ماڊل آهي جيڪو انسان جي سطح جي جذباتي اظهار کي حاصل ڪري ٿو. 100,000 ڪلاڪن کان وڌيڪ مختلف ڳالهائڻ جي ڊيٽا تي تربيت ڏني وئي آهي، اهو قدرتي جذبن، زور ۽ ڳالهائڻ جي انداز سان ڳالهائڻ پيدا ڪرڻ ۾ بهترين آهي. Orpheus ڳالهائڻ پيدا ڪري سگهي ٿو جيڪو انسان جي رڪارڊنگ کان تقريبن غير متمايز آهي.

Chatterbox by Resemble AI ھڪ جديد zero-shot آواز کلوننگ ماڊل آھي. اھو ڪنھن به آواز کي ھڪ آڊيو نموني مان قابل ذڪر دقت سان نقل ڪري سگھي ٿو، نه رڳو ٽائمبر پر ڳالھائڻ جي انداز ۽ جذباتي رنگن کي به پڪڙي سگھي ٿو. Chatterbox پڻ fine-grained احساس ڪنٽرول جي خاصيت رکي ٿو، جيڪو توھان کي آواز جي سڃاڻپ کان آزاديءَ سان پيدا ڪيل ڳالھائڻ جي جذباتي رنگ کي ترتيب ڏيڻ جي اجازت ڏئي ٿو.

Tortoise TTS ھڪ پاڻمرادو گھڻو آواز وارو متن کان ڳالھائڻ وارو سسٽم آھي جيڪو رفتار کان وڌيڪ آواز جي معيار کي ترجيح ڏيندو آھي. اھو DALL-E-inspired architecture کي استعمال ڪري ٿو ته جيئن تمام قدرتي ڳالھائڻ کي اعليٰ پروسوڊي ۽ ڳالھائيندڙ جي مشابهت سان پيدا ڪري. جڏھن ته گھڻن متبادلن کان ھلڪو آھي، Tortoise اوپن سورس ايڪو سسٽم ۾ موجود سڀ کان حقيقي سنٿيٽڪ ڳالھائڻ کي پيدا ڪري ٿو.

StyleTTS 2 ماڻھوءَ جي سطح تي TTS سنٿسيٽ حاصل ڪري ٿو وڏين ڳالھائيندڙ ٻولين جا ماڊل استعمال ڪندي انداز جي پکڙجڻ ۽ مقابلي واري تربيت جي گڏجاڻي سان. اھو ھڪڙي ڳالھائيندڙ ماڊلن جي وچ ۾ سڀ کان وڌيڪ قدرتي آواز واري ڳالھائيندڙ پيدا ڪري ٿو، ماڻھوءَ جي رڪارڊنگ جي مقابلي ۾. StyleTTS 2 ماڻھوءَ جي ڳالھائيندڙ ٻوليءَ جي تبديلين جي پوري حد کي پڪڙڻ لاءِ انداز تي ٻڌل انداز جي ماڊلنگ استعمال ڪري ٿو.

OpenVoice by MyShell.ai آواز جي انداز، جذبي، ڌڙڪڻ، ريتم، وقفن، ۽ انتونيشن تي granular ڪنٽرول سان فوري آواز جي کلوننگ جي اجازت ڏئي ٿو. اهو مختصر آڊيو ڪلپ مان آواز کي کلون ڪري سگھي ٿو ۽ ڳالهائيندڙ جي شناخت کي برقرار رکندي ڪيترن ئي ٻولين ۾ ڳالهائڻ پيدا ڪري سگھي ٿو. OpenVoice پڻ آواز جي تبديلي جي طور تي ڪم ڪري ٿو، حقيقي وقت جي آواز جي تبديلي جي اجازت ڏئي ٿو.

Qwen3-TTS Alibaba's Qwen ٽيم جو 1.7 بلين پاراميٽر متن کان ڳالهائڻ وارو ماڊل آھي. اھو ٽي طريقا سپورٽ ڪري ٿو: احساس ڪنٽرول سان اڳ ٺاھيل آواز (9 اسپيڪر)، آواز جي ڪلوننگ صرف 3 سيڪنڊن جي آڊيو کان، ۽ ھڪ منفرد آواز ڊزائين موڊ جنھن ۾ توھان پنھنجي پسنديده آواز کي قدرتي ٻوليءَ ۾ بيان ڪري سگھو ٿا. اھو 10 ٻولين کي اعليٰ اظهار ۽ طبعي پروسوڊي سان ڍڪي ٿو.

VieNeu-TTS-v2 هڪ 300M پاراميٽر وينٽائينا-پرينسٽ TTS ماڊل آهي جيڪو 10,000+ ڪلاڪن جي ٻن ٻولين جي ڊيٽا تي تربيت ڏنل آهي. اهو سائيلس en-vi ڪوڊ-سوئچنگ، 7 اڳيون آوازن کي سپورٽ ڪري ٿو جيڪي اتر ۽ ڏکڻ جي ڌاتوءَ تي پکڙيل آهن، ۽ 3-5 سيڪنڊن جي حوالي آڊيو کان فوري آوازن کي کلون ڪرڻ. GGUF Q4 inference + ONNX آڊيو ڊيڪوڊر ذريعي مڪمل طور تي سي پي يو تي هلندو آهي - GPU جي ضرورت نه آهي، نسل ~7 سيڪنڊن ۾ ختم ٿيندا. Qwen3 backbone تي ٺهيل.

Sesame CSM (Conversational Speech Model) هڪ 1 بلين پاراميٽر ماڊل آهي جيڪو خاص طور تي گفتگو واري ڳالهائڻ کي پيدا ڪرڻ لاءِ ٺاهيو ويو آهي. اهو انسان جي گفتگو جي قدرتي نمونن کي ماڊل ڪري ٿو جن ۾ تبديلي وٺڻ واري وقت، backchannel رد عمل، جذباتي رد عمل، ۽ گفتگو جي وهڪري شامل آهن. CSM آڊيو پيدا ڪري ٿو جيڪو سنٿيٽڪ ڳالهائڻ جي بدران انساني گفتگو وانگر لڳي ٿو.

چاٽربڪس ٽائربو by Resemble AI چاٽربڪس لاءِ 350M پاراميٽر اپ گريڊ آهي، 6x ريئل-ٽائم رفتار سان 200ms لاٽنٽي سان فراهم ڪري ٿو. اهو [لڙڪڻ] ، [ڪوڙڻ] ۽ [چڪڻ] وانگر پرالنگويسٽڪ ٽيگ کي سڌو سنئون متن ۾ مدد ڪري ٿو. پرٿ واٽر مارڪنگ شامل آهي سڀني پيدا ڪيل آڊيو تي نڪتو ڳولڻ لاءِ.

VoxCPM 1.5 by OpenBMB 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 allows you to apply an English voice to Chinese speech and vice versa.

Kani-TTS-2 by NineNineSix هڪ تمام هلڪو وزن 400M پاراميٽر ماڊل آهي جيڪو LiquidAI LFM2 backbone سان Nvidia NanoCodec سان ٺهيل آهي. اهو صرف 3GB VRAM ۾ هلندو آهي ۽ ~2 سيڪنڊن ۾ 10 سيڪنڊن ۾ ڳالهائيندو آهي (RTF 0.2). اسپيڪر embeddings ذريعي zero-shot آواز کلوننگ جي حمايت ڪري ٿو.

OuteTTS وڏي ٻولي ماڊل سان متن-to-speech صلاحيتن سان وڌائي ٿو جڏهن ته اصل آرڪائيو کي برقرار رکڻ. اهو ڪيترن ئي backends سميت llama.cpp (CPU / GPU) ، Hugging Face Transformers ، ExLlamaV2 ، VLLM ، ۽ Transformers.js ذريعي برائوزر انفريشن جي حمايت ڪري ٿو. JSON طور محفوظ ڪيل اسپيڪر پروفائلن ذريعي صفر-شوٽ آواز کلوننگ جون خاصيتون.

مائڪروسافٽ طرفان VibeVoice ٻن قسمن ۾ اچي ٿو: هڪ 1.5B ماڊل ڊگهي فارم مواد (90 منٽن تائين، 4 اسپيڪر) ۽ هڪ ريئل ٽائيم 0.5B ماڊل ~200ms پهرين آڊيو latency سان اسٽريمنگ لاءِ. 1.5B ماڊل پوڊ ڪاسٽ ۽ آڊيو ڪتابن تي وڏين گذرگاهن تي اسپيڪر مطابقت سان بهترين آهي. نوٽ: مائڪروسافٽ TTS ڪوڊ کي رپورٽ مان ڪڍي ڇڏيو ۽ پيدا ٿيل آڊيو ۾ ٻڌل AI disclaimers شامل آهن.

پوڪ ٽي ٽي ايس ڪيوٽي (موشي جا ٺاھيندڙ) پاران هڪ 100 ايم پي آرٽيڪل-ٽو-سوئچ ماڊل آھي جيڪو پنھنجي وزن کان وڌي ٿو. اھو سي پي يو تي سھڻي طرح هلندو آھي، ھڪ آڊيو نموني مان صفر-شوٽ آواز جي کلوننگ کي مدد ڏيندو آھي، ۽ قدرتي آواز واري ڳالھائي کي پيدا ڪندو آھي. ننڍو ماڊل جي سائيز ان کي ويجھي استعمال ۽ گھٽ وسيلا ماحولن لاءِ مثالي بڻائيندو آھي.

Kitten TTS by KittenML هڪ تمام هلڪو متن کان ڳالھائڻ وارو ماڊل آهي جيڪو ONNX تي ٺهيل آهي. 15M کان 80M تائين جي پي ايم (25-80 MB ڊسڪ تي) جي مختلف قسمن سان، اهو اعليٰ معيار جي آواز جي سنٿسيٽ کي سي پي يو تي GPU جي ضرورت کانسواءِ فراهم ڪري ٿو. 8 اندروني آوازن جون خاصيتون، ٺاھي سگھندڙ ڳالھائڻ جي رفتار، ۽ اندروني متن جي اڳواٽ پروسيسنگ نمبرن، ڪرنسي ۽ يونٽس لاءِ. ويجھي استعمال ۽ گهٽ دير وارين ايپليڪيشنن لاءِ مثالي.

CosyVoice3 Alibaba's FunAudioLLM ٽيم جو نئون ارتقائي آهي. ان ۾ ~150ms latency سان bi-streaming inference جي خاصيتون آهن، احساس/سريعت/اڌ جي هدايت تي ٻڌل ڪنٽرول، ۽ صفر-شوٽ ڪلوننگ لاءِ بهتر اسپيڪر جي مشابهت. 9 ٻولين ۽ 18 چيني ٻولين کي سپورٽ ڪري ٿو. RL-tuned قسم state-of-the-art prosody مهيا ڪري ٿو.

NAMAA Saudi TTS هڪ Saudi Arabic fine-tune آهي جيڪو AI جي ChatterboxMultilingual کي ائين لڳندو آهي. NAMAA اسپيس طرفان صحيح Saudi-dialect ڳالهائڻ تي تربيت ڏني وئي آهي، اهو قدرتي جديد معياري عربي ۽ Saudi colloquial pronouncement پيدا ڪري ٿو جيڪو عام ڪيترن ٻولين وارا ماڊل گڏ نه ٿي سگهن. Chatterbox جي zero-shot آواز جي کلوننگ ۽ احساس ڪنٽرول ذريعي حوالو آڊيو پروموشنز ذريعي وراثت ۾ ملي ٿو. پهريون open-weights Arabic TTS TTS.ai تي استعمال ڪيو ويو.

Darwin-TTS-1.7B-Cross by FINAL-Bench Qwen3-TTS-1.7B جو هڪ تحقيقي قسم آهي جتي 84 talk-FFN tensors (8.6%) α=3% تي Qwen3-1.7B-Base مان ملندڙ tensors سان ملائي ٿو. ملائي کي ٻيهر تربيت ڏيڻ کانسواءِ ٺهيل آهي ۽ ڪورين، انگريزي، جاپاني ۽ چيني ۾ واضح طور تي وڌيڪ شفافيت وارو زباني آواز جو کلوننگ پيدا ڪري ٿو. صفر-شوٽ آواز-ڪلون موڊ ۾ ڪم ڪري ٿو (3 سيڪنڊ رفرنس آڊيو).

MOSS-TTSD v1.0 OpenMOSS کان هڪ 7B گفتگو متن-تصوير-تصوير ماڊل آهي جيڪو مختصر آڊيو پروموٽ کان گفتگو جاري رکي ٿو. [S1]/[S2] ٽيگ ذريعي 5 گڏيل ڳالهائيندڙن جي حمايت ڪري ٿو، 3-10s حوالو آڊيو کان صفر-شوٽ آواز جي کلوننگ، ۽ 20 ٻولين ۾ 60 منٽن تائين منسلڪ ملٽي-ٽورن گفتگو جي حمايت ڪري ٿو. MOSS-TTS کان مختلف — TTSD پوڊ ڪاسٽ/آڊيو بڪ/ڊوبنگ ورڪ فلو لاءِ خاص آهي.

InclusionAI پاران Ming-omni-tts-0.5B هڪ compact omni-modal speech model آهي جيڪو BailingMM جي ڳري backbone تي ٺهيل آهي ۽ هڪ Patch-by-Patch flow-matching audio decoder سان. 44.1kHz جي خروجي (سي ڊي جي معيار جي ويجهو) مهيا ڪري ٿو، 3+ سيڪنڊ جي حوالي کان صفر-شوٽ آواز جي کلوننگ جي حمايت ڪري ٿو، ۽ JSON هدايتن ذريعي ضم ٿيل احساس / ٻولي / BGM ڪنٽرول شامل آهي.

MOSS-TTS-Nano-100M MOSS-TTS خاندان جو OpenMOSS جو 100M-پراميٽر قسم آهي، ڊيليٽ-ٽرانسميٽر فن تعمير کي شيئر ڪري ٿو. 8B ماڊل جي اعليٰ معيار کي ~80x ننڍن وزنن ۽ تمام گهٽ پر-مطلب VRAM لاءِ واپار ڪري ٿو، ان کي مفت-ٽيئر ۽ اعليٰ-انجام ڏيڻ جي استعمال لاءِ مناسب بڻائي ٿو. ساڳيو 20-لسان تائين پهچڻ.