AI පෙළ සිට කථාවName
විවෘත මූලාශ්රය AI ආකෘති සමඟ ස්වභාවික ශබ්ද කථනය පෙළ පරිවර්තනය. භාවිතා කිරීමට නිදහස්, ගිණුමක් අවශ්ය නැත.
නිවැරදි පාලනය සඳහා SSML ටැග් ඔබේ පෙළ ආවරණය:
<speak><prosody rate="slow">Slow speech</prosody></speak>
තෝරාගත් ආකෘතිය තේරුම් ටැග් - එය සිදුවන තැන ඔබේ පෙළ එක් වැටීමට ක්ලික් කරන්න:
මෙම ආකෘතිය සරල පෙළ කියවනවා, ඒ නිසා inline ටැග් නොසලකා හැර ඇත. ටැග් පදනම් හැඟීම් සඳහා, Orpheus හෝ Bark වැනි ප්රකාශාත්මක ආකෘතිය මාරු.
අභිරුචි උච්චාරණය අර්ථ දක්වන්න (වචනය = උච්චාරණය):
ආකෘති විස්තර
Kokoro
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.
| සංවර්ධක: | Hexgrad |
| බලපත්රය: | Apache 2.0 |
| වේගය | ස්ථිර |
| තත්ත්ව: | |
| භාෂා | 8 භාෂා |
| VRAM | 1.5GB |
| හඬ ක්ලෝන කිරීම | සහාය නොදක්වයි |
වඩා හොඳ ප්රතිඵල සඳහා ඉඟි
- ස්වභාවික විරාම හා කටහඬ සඳහා සුදුසු විරාම ලකුණු භාවිතා කරන්න
- පැහැදිලි උච්චාරණය සඳහා අංක සහ කෙටි නාම අකුරු කරන්න
- වාක්ය ඛණ්ඩ අතර කෙටි විරාම සෑදීමට කොමාව එක් කරන්න
- දිගු නාට්යමය විරාම සඳහා එලිප්සි භාවිතා කරන්න (...)
- බොහෝ ස්වාභාවික ප්රතිඵල සඳහා Kokoro හෝ CosyVoice උත්සාහ කරන්න2
- බහු- කථික සංවාදය සහ පොඩ්කාස්ට් අන්තර්ගතය සඳහා Dia භාවිතා කරන්න
ණය පිරිවැය
| සත්ත්වයා | වියදම |
|---|---|
| නිදහස් | 0 ණය (සීමා රහිත) |
| සම්මත | 2 ණය / 1K අක්ෂර |
| ප්රමිතිය | 4 ණය / 1K අක්ෂර |
AI පෙළ කථාව වැඩ කරන්නේ කෙසේද
සරල පියවර තුනක් වෘත්තීය-ගුණාත්මක voiceovers ජනනය. තාක්ෂණික දැනුම අවශ්ය නැත.
ඔබේ පෙළ ඇතුළත් කරන්න
වර්ගය, ඇලවීම, හෝ ඔබ කතා කිරීමට පරිවර්තනය කිරීමට අවශ්ය පෙළ උඩුගත. දක්වා සහාය 5,000 පිවිසුණු පරිශීලකයන් සඳහා පරම්පරාවකට අක්ෂර. සරල පෙළ භාවිතා හෝ උච්චාරණය උසස් පාලනය සඳහා SSML ටැග් එකතු, විරාම, සහ අවධාරණය.
ආකෘතිය සහ හඬ තෝරන්න
20+ AI ආකෘති ස්ථර තුනක් හරහා තෝරන්න. ඔබේ අන්තර්ගතය ගැලපෙන හඬක් තෝරන්න, ඔබේ ඉලක්ක භාෂාව තෝරන්න, 0.5x සිට 2.0x දක්වා ප් රචාරක වේගය සකසන්න, සහ ඔබේ ප් රියතම ප්රතිදානය ආකෘතිය තෝරන්න (MP3, WAV, OGG, හෝ FLAC).
ජනනය කරන්න (B)
ක්ලික් කරන්න ජනනය සහ ඔබේ ශ්රව්ය තත්පර තුළ සූදානම්. තනන ලද ක්රීඩකයා සමග පූර්ව දර්ශනය, ඔබේ තෝරාගත් ආකෘතිය බාගත, හෝ shareable සබැඳියක් පිටපත්. ඔබේ වැඩ ප්රවාහයට කණ්ඩායම් සැකසීම සහ ඒකාබද්ධ කිරීම සඳහා API භාවිතා කරන්න.
කටහඬ පෙළ භාවිතය නඩු
AI-powered text-to-speech කර්මාන්ත දස දහස් ගණනක් හරහා මිනිසුන් නිර්මාණය, පරිභෝජනය, සහ ශ්රව්ය අන්තර්ගතය සමඟ අන්තර් ක්රියා කරන ආකාරය පරිවර්තනය කරයි.
සියලු පෙළ සිට කථාව ආකෘති
TTS.ai මත ලබා ගත හැකි සෑම AI ආකෘතිය සඳහා සවිස්තරාත්මක පිරිවිතර. ඔබේ ව්යාපෘතිය සඳහා පරිපූර්ණ ආකෘතිය සොයා ගුණාත්මක, වේගය, භාෂා සහාය, සහ ලක්ෂණ සංසන්දනය.
Kokoro
Free
Kokoro යනු එහි බර පන්තියට වඩා හොඳින් පීඩනය කරන 82 මිලියන පරාමිතික පෙළ-කථා ආකෘතියකි. එහි කුඩා ප් රමාණයට පටහැනිව, එය විශිෂ්ට ස්වාභාවික හා ප් රකාශාත්මක කථාව නිපදවයි. Kokoro ඉංග් රීසි, ජපන්, චීන, සහ කොරියානු ඇතුළු විවිධ භාෂා සඳහා සහාය දක්වයි. එය අතිශයින් වේගවත්ව ක් රියාත්මක වේ - GPU මත සැබෑ කාලයට වඩා 100x වේගයෙන් ශ් රව් ය ජනනය කරයි.
Hexgrad
Apache 2.0
ස්ථිර
en, ja, zh, fr, it, pt, es, hi
1.5GB
නෑ.
නිදහස්
Piper
Free
Piper යනු VITS සහ larynx ගෘහ නිර්මාණ ශිල්ප භාවිතා කරන Rhasspy විසින් සංවර්ධනය කරන ලද සැහැල්ලු පෙළ-කථා එන්ජිමකි. එය සම්පූර්ණයෙන්ම CPU මත ධාවනය වන අතර, එය අගල් උපාංග, ගෘහ ස්වයංක් රීයකරණ සහ ඔෆ්ලයින් TTS අවශ් ය වන යෙදුම් සඳහා පරිපූර්ණ කරයි. 30+ භාෂා හරහා 100 හඬවල් කට වඩා වැඩි, Piper රාස්ප්බෙරි පයි මත පවා තත්පරයට ස්වභාවික හඬක් ඇති කථාව ලබා දෙයි4.
Rhasspy
MIT
ස්ථිර
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)
නෑ.
නිදහස්
VITS
Free
VITS (අවසන්-අවසන් පෙළ-කථාව සඳහා විරුද්ධාභාස ඉගෙනීම සමග විචලනය උපකල්පනය) වත්මන් අදියර දෙකක් ආකෘති වඩා ස්වභාවික ශබ්ද ශ්රව්ය ජනනය කරන සමාන්තර අවසන්-අවසන් TTS ක්රමයකි. එය ස්වභාවිකත්වය සැලකිය යුතු දියුණුවක් ලබා ගැනීම සඳහා, සාමාන්යකරණය ප්රවාහයන් හා විරුද්ධාභාස පුහුණු ක්රියාවලිය සමග වැඩි දියුණු කරන ලද විචලනය උපකල්පනය අනුගමනය කරයි.
Jaehyeon Kim et al.
MIT
ස්ථිර
en, de, es, fr, pt, nl, fi, hu, bg, ja, pl
1GB
නෑ.
නිදහස්
MeloTTS
Free
MyShell.ai විසින් MeloTTS ඉංග්රීසි සහාය බහුභාෂා TTS පුස්තකාලයක් (ඇමරිකානු, බ්රිතාන්ය, ඉන්දියානු, ඕස්ට් රේලියානු), ස්පාඤ්ඤ, ප්රංශ, චීන, ජපන්, සහ කොරියානු. එය ඉතා වේගවත්, CPU පමණක් මත සමීප තත්කාලීන වේගයෙන් පෙළ සැකසීම. MeloTTS නිෂ්පාදනය භාවිතා කිරීම සඳහා නිර්මාණය කර ඇති අතර CPU සහ GPU නිගමනය දෙකම සහාය.
MyShell.ai
MIT
ස්ථිර
en, es, fr, zh, ja, ko
0.5GB (GPU optional)
නෑ.
නිදහස්
Bark
Standard
සුනෝ විසින් බර්ක් ඉතා යථාර්ථවාදී, බහුභාෂා කථාව මෙන්ම සංගීතය වැනි වෙනත් ශ්රව්ය උත්පාදනය කළ හැකි පරිවර්තක-පාදක පෙළ-සංගීතය ආකෘතිය, පසුබිම් ශබ්දය, හා ශබ්ද බලපෑම්. එය සිනහව, සිනා, හා හඬමින් වැනි වචන නොවන සන්නිවේදන නිෂ්පාදනය කළ හැකිය. බර්ක් 100 කථානායක පෙර සැකසුම් සහ 13+ භාෂා කට වඩා සහාය.
Suno
MIT
මන්දගාමී
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
5GB
නෑ.
2x
Bark Small
Standard
බර්ක් කුඩා සැලකිය යුතු ලෙස වේගවත් නිගමනය වේග හා අඩු මතක අවශ්යතා සඳහා සමහර ශ්රව්ය ගුණාත්මක වෙළඳාම් කරන බර්ක් ආකෘතිය ඩිස්ටිල්ඩ් අනුවාදය වේ. එය හැඟීම් සමග කථාව ජනනය කිරීමට බර්ක්ගේ හැකියාව පවත්වා, හිනාව, සහ බහු භාෂා.
Suno
MIT
මධ්යම
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
2GB
නෑ.
2x
CosyVoice 2
Standard
ඇලිබාබාගේ ටොන්ජි රසායනාගාරය විසින් CosyVoice2අතිශයින්ම අඩු ප්රමාදයක් සහිත මිනිස්-සමාන කථා ගුණාත්මකභාවය ලබා ගනී, එය තත්කාලීන යෙදුම් සඳහා කදිම කරයි. එය ප්රවාහ සංස්ලේෂණය සඳහා සීමිත ස්කෑලර් ක්වොන්ටම් ප්රවේශයක් භාවිතා කරන අතර ශූරතාවයේ හඬ ක්ලෝන කිරීම, හුවමාරු භාෂා සංස්ලේෂණය සහ සිහින් හැඟීම් පාලනයට සහාය දක්වයි. එය මනෝවිද් යාත්මක ඇගයීම්වල බොහෝ වාණිජ TTS පද්ධතිවලට වඩා හොඳින් ඉටු කරයි.
Alibaba (Tongyi Lab)
Apache 2.0
මධ්යම
en, zh, ja, ko, fr, de, it, es
4GB
ඔව්
2x
Dia TTS
Standard
Nari Labs විසින් ඩය 1.6B පරාමිතීන් පෙළ-කථාව ආකෘතිය විශේෂයෙන් බහු කථික සංවාදයක් ජනනය කිරීම සඳහා නිර්මාණය කර ඇත. එය සුදුසු ආපසු ගැනීම, prosody, හා හැඟීම් ප්රකාශ සමග කථිකයන් දෙදෙනෙකු අතර ස්වභාවික-ශබ්ද සංවාද නිෂ්පාදනය කළ හැකිය. ඩය පොඩ්කාස්ට්-ශෛලිය අන්තර්ගතය නිර්මාණය කිරීම සඳහා පරිපූර්ණ වේ, ශ්රව්ය පොත් සංවාද, සහ අන්තර්ක්රියාකාරී සංවාදාත්මක AI.
Nari Labs
Apache 2.0
මධ්යම
en
4GB
නෑ.
2x
Parler TTS
Standard
Parler TTS ජනනය කරන ලද කථාව පාලනය කිරීමට ස්වභාවික භාෂාව හඬ විස්තරය භාවිතා කරන පෙළ-කථාව ආකෘතිය වේ. පෙර සකස් හඬ තෝරා වෙනුවට, ඔබ අවශ්ය හඬ විස්තර (උදා, "සුළු බ්රිතාන්ය උච්චාරණය සමග උණුසුම් කාන්තා හඬ, හෙමින් හා පැහැදිලිව කතා") හා Parler එම විස්තරය ගැලපෙන කථාව ජනනය. මෙම නිර්මාණාත්මක යෙදුම් සඳහා එය සුවිශේෂී නම්යශීලී කරයි.
Hugging Face
Apache 2.0
මධ්යම
en
4GB
නෑ.
2x
Indic Parler TTS
Standard
AI4Bharat විසින් ඉන්දියානු Parler TTS ඉන්දියානු භාෂා සඳහා Parler ගෘහ නිර්මාණ ශිල්පය දීර්ඝ, දෙමළ ස්වභාවික කථාව ජනනය, බෙංගාලි, මරාති, ගජරාමෙට්ටි, කන්නඩ, පන්ජාබි, ඕඩිය, අසම, හින්දි, තෙලිඟු, මලයාලම් සහ ඉංග්රීසි. Parler මෙන්, ඔබ සරල භාෂාවෙන් ඔබට අවශ්ය හඬ විස්තර හා ආකෘතිය එය ගැලපේ - කිසිදු පෙරනිමි හඬ අවශ්ය. ඉන්දියානු අර්ධද්වීපය පුරා සත්ය උච්චාරණය සහ prosody සඳහා AI4Bharat කථාව corpora මත පුහුණු.
AI4Bharat
Apache 2.0
මන්දගාමී
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
8GB
නෑ.
2x
KhanomTan TTS
Standard
KhanomTan TTS YourTTS බහුභාෂා ගෘහ නිර්මාණ ශිල්පය මත ඉදි විවෘත තායි පෙළ-කථාව ආකෘතිය වේ. CC0 සහ අනුමැතිය-බලපත්ර තායි corpora (TSync) අනෙකුත් භාෂා කිහිපයක් සමග පුහුණු, එය බහු කථානායක හඬ ස්වභාවික තායි කතා ඉදිරිපත් කරයි. පිරිසිදු, තායි සඳහා වාණිජමය-පරිහරණය කළ හැකි විකල්පය - භාෂාව වඩාත් විවෘත TTS ආකෘති පමණක් වාණිජ නොවන බලපත්ර යටතේ ආවරණය.
Wannaphong Phatthiyaphaibun
Apache 2.0
ස්ථිර
th
2GB
නෑ.
2x
IndexTTS-2
Standard
IndexTTS-2 යනු රසවත් හැඟීම් පාලනයක් සහිත ශුන්ය-ෂොට් හඬ සංස්ලේෂණයේ විශිෂ්ටත්වයක් ඇති උසස් පෙළ-කථා පද්ධතියකි. එය හැඟීම්-විශේෂී පුහුණු දත්ත අවශ් ය නොවන අතර සතුට, දුක, තරහ, හෝ බිය වැනි විශේෂිත හැඟීම් ස්වරූපයෙන් කතා කළ හැකිය. ආකෘතිය නිශ්චිතව ජනනය කරන ලද කථාවේ හැඟීම් ප්රකාශනය පාලනය කිරීම සඳහා හැඟීම් දෛශික භාවිතා කරයි.
Index Team
Bilibili Model License
මධ්යම
en, zh
4GB
ඔව්
2x
Spark TTS
Standard
SparkAudio විසින් Spark TTS පාලනය කළ හැකි හැඟීම් සහ කතා කිරීමේ ශෛලිය සමඟ හඬ ක්ලෝන කිරීම ඒකාබද්ධ කරන පෙළ-කථා ආකෘතියකි. හුදෙක් භාවිතා කරමින්5සඳහන ශ්රව්ය තත්පර, එය හඬ ක්ලෝන කළ හැකි අතර පසුව විවිධ හැඟීම්, වේගයන් සහ ශෛලීන් සමඟ කථාව ජනනය කළ හැකිය. ක්ලෝන හඬ අනන්යතාව පවත්වා ගනිමින්. Spark TTS ඉක්මන් පදනම් පාලන පද්ධතියක් භාවිතා කරයි.
SparkAudio
CC BY-NC-SA 4.0
මධ්යම
en, zh
4GB
ඔව්
2x
GPT-SoVITS
Standard
GPT-SoVITS බලවත් කිහිපයක්-ෂොට් හඬ ක්ලෝන සඳහා SoVITS (පරිවර්තනය සහ සංස්ලේෂණය හරහා ගායනා හඬ නිගමනය) සමග GPT-ශෛලිය භාෂා ආකෘති නිර්මාණය ඒකාබද්ධ කරයි.5සඳහා සුළු ලෙස5සඳහා සබැඳි ශ්රව්ය තත්පර, එය කථානායකගේ සුවිශේෂී ලක්ෂණ පවත්වා ගනිමින් නිවැරදිව හඬ ක්ලෝන හා නව කථාව ජනනය කළ හැකිය. එය කතා කිරීම සහ ගායනා හඬ සංස්ලේෂණය දෙකම විශිෂ්ට වේ.
RVC-Boss
MIT
මන්දගාමී
en, zh, ja, ko
6GB
ඔව්
2x
Orpheus
Standard
Orpheus මිනිස් මට්ටමේ මානසික ප්රකාශනය සාක්ෂාත් කරන විශාල පරිමාණ පෙළ-කථාව ආකෘතිය වේ. විවිධාකාර කථන දත්ත පැය 100,000 කට වඩා පුහුණු, එය ස්වභාවික හැඟීම්, අවධාරණය, හා කථා ශෛලීන් සමග කථාව ජනනය විශිෂ්ට. Orpheus මානව පටිගත කිරීම් සිට බොහෝ දුරට වෙන් කළ නොහැකි බව කථාව නිෂ්පාදනය කළ හැකිය.
Canopy Labs
Llama 3.2 Community
මධ්යම
en
4GB
නෑ.
2x
Chatterbox
Premium
Resemble AI විසින් Chatterbox අති නවීන ශුන්ය-ෂොට් හඬ ක්ලෝන ආකෘතිය වේ. එය කැපී පෙනෙන නිරවද් යතාවය සමග තනි ශ්රව්ය සාම්පලයක් සිට ඕනෑම හඬක් අනුපිටපත් කළ හැකි, හුදෙක් timbre පමණක් නොව කතා ශෛලිය හා හැඟීම් තීව්රතාවය අල්ලා ගැනීම. Chatterbox ද සිහින්-ගුණාත්මක හැඟීම් පාලනය ලක්ෂණ, ඔබ හඬ අනන්යතාවයෙන් ස්වාධීනව ජනනය කරන ලද කථාව හැඟීම් තීව්රතාවය සකස් කිරීමට ඉඩ.
Resemble AI
MIT
මධ්යම
en
4GB
ඔව්
4x
Tortoise TTS
Premium
කටුස්සා TTS වේගය වඩා ශ්රව්ය ගුණාත්මක ප් රමුඛතාවය දෙන බව autoregressive බහු-හඬ පෙළ-කථා පද්ධතියකි. එය විශිෂ්ට prosody හා කථානායක සමානත්වය සමග ඉතා ස්වභාවික කථාව ජනනය කිරීමට DALL-E-ආශ්වාදයක් ගෘහ නිර්මාණ ශිල්පය භාවිතා කරයි. බොහෝ විකල්ප වඩා මන්දගාමී වන අතර, කටුස්සා විවෘත මූලාශ්රය පරිසර පද්ධතිය තුළ ලබා ගත හැකි වඩාත් යථාර්ථවාදී සංස්ලේෂණය කථාව සමහරක් නිෂ්පාදනය කරයි.
James Betker
Apache 2.0
මන්දගාමී
en
8GB
ඔව්
4x
StyleTTS 2
Premium
StyleTTS2මනුෂ්ය මට්ටමේ TTS සංස්ලේෂණය විශාල කථා භාෂා ආකෘති භාවිතා කරමින් විරුද්ධාභාසීය පුහුණුව සමග ශෛලිය ව්යාප්තිය ඒකාබද්ධ කිරීමෙන් සාක්ෂාත් කර ගනී. එය තනි කථානායක ආකෘති අතර වඩාත් ස්වභාවික ශබ්ද කථනය ජනනය, මානව පටිගත තරග. StyleTTS2මනුෂ්ය කථාව වෙනස්කම් පූර්ණ පරාසය අල්ලා ගැනීමට ව්යාප්තිය මත පදනම් වූ ශෛලිය ආකෘති නිර්මාණය භාවිතා කරයි.
Columbia University
MIT
මධ්යම
en
4GB
නෑ.
4x
OpenVoice
Premium
MyShell.ai විසින් OpenVoice හඬ ශෛලිය, හැඟීම්, උච්චාරණය, රිද්මය, විරාම, සහ intonation මත කැටිති පාලනය සමග ක්ෂණික හඬ ක්ලෝන කිරීම හැකියාව. එය කෙටි ශ්රව්ය ක්ලිප් සිට හඬ ක්ලෝන හා කථානායක අනන්යතාව පවත්වා ගනිමින් බහු භාෂා කතා බහ ජනනය කළ හැකිය. OpenVoice ද හඬ පරිවර්තකයක් ලෙස ක්රියා, තත්කාලීන හඬ පරිවර්තනය ඉඩ.
MyShell.ai / MIT
MIT
මධ්යම
en, zh, ja, ko, fr, es
4GB
ඔව්
4x
Qwen3 TTS
Standard
Qwen3-TTS යනු අලිබාබා Qwen කණ්ඩායමේ 1.7 බිලියන පරාමිතික පෙළ-කථන ආකෘතියකි. එය මාදිලි දෙකක් සහාය දක්වයි: හැඟීම් පාලනය සහිත පෙර සැකසූ හඬ (කථිකයින්9දෙනෙකු), සහ ස්වාභාවික භාෂාවෙන් ඔබට අවශ් ය හඬ විස්තර කරන සුවිශේෂී හඬ සැලසුම් මාදිලිය. එය ඉහළ ප් රකාශාත්මක බවක් සහ ස්වාභාවික ප් රසාදය සහිත භාෂා 10 ක් ආවරණය කරයි.
Alibaba (Qwen)
Apache 2.0
මධ්යම
en, zh, ja, ko, de, fr, ru, pt, es, it
7GB
නෑ.
2x
VieNeu-TTS-v2
Standard
VieNeu-TTS-v2 යනු 10,000+ පැය ගණනක ද්විභාෂා දත්ත මත පුහුණු කරන ලද 300M පරාමිතියක් වන වියට්නාම පළමු TTS ආකෘතියකි. එය අඛණ්ඩව en-vi කේත මාරු කිරීම, උතුරු සහ දකුණු හඬවල් ආවරණය වන7පෙර-සැකසූ හඬවල් සහ 3-5 තත්පර වලින් ක්ෂණික හඬ ක්ලෝන කිරීම සඳහා සහාය දක්වයි. GGUF Q4 නිගමනය + ONNX ශ් රව් ය විකේතනය හරහා සම්පූර්ණයෙන්ම CPU මත ධාවනය වේ - GPU අවශ් ය නොවේ, පරම්පරා ~7 තත්පර අවසන් වේ. Qwen3 පිටුපස මත ඉදිකර ඇත.
Phạm Nguyễn Ngọc Bảo
Apache 2.0
ස්ථිර
vi, en
CPU
ඔව්
2x
Sesame CSM
Premium
Sesame CSM (Conversational Speech Model) යනු සංවාදාත්මක කථාව ජනනය කිරීම සඳහා විශේෂයෙන් නිර්මාණය කරන ලද 1 බිලියන පරාමිති ආකෘතියකි. එය ආපසු හැරවීමේ වේලාව, backchannel ප්රතිචාර, හැඟීම් ප්රතිචාර සහ සංවාදාත්මක ප්රවාහය ඇතුළු මානව සංවාදයේ ස්වභාවික රටා ආකෘතිමත් කරයි. CSM කෘතිම කථාව වෙනුවට ස්වභාවික මානව සංවාදයක් මෙන් ශබ්ද වන ශ්රව්ය ජනනය කරයි.
Sesame
Apache 2.0
මන්දගාමී
en
8GB
නෑ.
4x
Chatterbox Turbo
Standard
Resemble AI විසින් Chatterbox Turbo යනු Chatterbox වෙත 350M පරාමිතියක් උසස් කිරීමකි, එය 6x තත්ත්ව වේගයට 200ms ක්රියාකාරීත්වයක් සහිතව ලබා දෙයි. එය [සිනහව], [කැස්ස], සහ [කෑගැසීම] වැනි paralinguistic ටැග් පෙළ තුළ සෘජුවම සහාය දක්වයි. ප්රභවය හඳුනා ගැනීම සඳහා සියලුම ජනනය කරන ලද ශ්රව්ය මත පර්ත් ජල ලකුණු ඇතුළත් වේ.
Resemble AI
MIT
ස්ථිර
en
2GB
ඔව්
2x
VoxCPM
Standard
OpenBMB විසින් VoxCPM 1.5 අඛණ්ඩ අවකාශය වෙනුවට විශිෂ්ට ටොකන් ක්රියාත්මක නවක tokenizer-නිදහස් TTS ආකෘතිය වේ. එය ඉහළ විශ්වාසය 44.1kHz ශ්රව්ය නිෂ්පාදනය, 3-10 තත්පර ශුන්ය-ෂොට් හඬ ක්ලෝන සහාය, හා පරිච්ඡේද හරහා අනුකූලතාව පවත්වා ගනී.
OpenBMB
Apache 2.0
ස්ථිර
en, zh
4GB
ඔව්
2x
Kani TTS 2
Free
NineNineSix විසින් Kani-TTS-2 යනු NVIDIA NanoCodec සමඟ දියර AI LFM2 පිටුපස ඉදිකරන ලද අතිශය සැහැල්ලු 400M පරාමිතික ආකෘතියකි. එය 3GB VRAM හි ධාවනය වන අතර A100 (RTF 0.2) මත ~2 තත්පර වලදී ~ 10 තත්පර කතාබහක් නිපදවයි. වත්මන් මහජන නිකුතුව ඉංග් රීසි පමණක් `kani-tts-2-en` චෙක්පොයින්ට් එකක් සහ හඬ ක්ලෝන කිරීම සඳහා අවශ් ය කථික-අභ් යන්තරකරණය වූ හොක් නිරාවරණය නොකරයි - ක්ලෝන කිරීම සඳහා Chatterbox / IndexTTS2 / F5-TTS භාවිතා කරන්න, හෝ ඉංග් රීසි නොවන Kokoro / MeloTTS.
NineNineSix
Apache 2.0
ස්ථිර
en
3GB
නෑ.
නිදහස්
OuteTTS
Free
OuteTTS මූලික ගෘහ නිර්මාණ ශිල්පය ආරක්ෂා කරමින් පෙළ-කථාව හැකියාවන් සමග විශාල භාෂා ආකෘති දීර්ඝ කරයි. එය llama.cpp (CPU / GPU) ඇතුළු බහු backends සහාය, හග් ෆේස් ට් රාන්ස්ෆෝමර්ස්, ExLlamaV2, VLLM, සහ Transformers.js හරහා බ්රවුසරයේ නිගමනය පවා.
OuteAI
Apache 2.0
මන්දගාමී
en
2GB
නෑ.
නිදහස්
VibeVoice
Standard
මයික්රොසොෆ්ට් විසින් VibeVoice වෙනස්කම් දෙකක් පැමිණේ: දිගු-ආකෘතිය අන්තර්ගතය සඳහා 1.5B ආකෘතිය (විනාඩි දක්වා 90,4කථිකයන්) සහ ~ 200ms පළමු ශ්රව්ය ප්රමාද සමග ශ්රව්ය විකාශනය සඳහා Realtime 0.5B ආකෘතිය. 1.5B විකල්පය දිගු ගමන් මගකට කථිකයා සමග පොඩ්කාස්ට් සහ ශ්රව්ය පොත්වල විශිෂ්ටත්වය. සටහන: මයික්රොසොෆ්ට් ටීටීඑස් කේතය ගබඩාවෙන් ඉවත් කර ඇති අතර ජනනය කරන ලද ශ්රව්ය ශ්රව්ය AI වගකීම් විරහිත වේ.
Microsoft
MIT
ස්ථිර
en, zh
4GB
නෑ.
2x
Pocket TTS
Free
Kyutai විසින් පොකට් TTS (Moshi නිර්මාණකරුවන්) එහි බර ඉක්මවා යන සංයුක්ත 100M පරාමිතික පෙළ-කථා ආකෘතියකි. එය CPU මත කාර්යක්ෂමව ක් රියාත්මක වන අතර, තනි ශ්රව්ය සාම්පලයකින් ශුන්ය-ෂොට් හඬ ක්ලෝන කිරීම සහ ස්වාභාවික හඬක් ඇති කථාව නිපදවයි. කුඩා ආකෘති ප් රමාණයෙන් එය අගුළු දැමීම සහ අඩු සම්පත් පරිසර සඳහා පරිපූර්ණ වේ.
Kyutai
MIT
ස්ථිර
en, fr
1GB
ඔව්
නිදහස්
Kitten TTS
Free
KittenML විසින් Kitten TTS යනු ONNX මත ඉදිකරන ලද අතිශය සැහැල්ලු පෙළ-කථන ආකෘතියකි. 15M සිට 80M පරාමිතීන් දක්වා (තැටිය මත 25-80 MB) වෙනස්කම් සමඟ, එය GPU අවශ් ය නොවන පරිදි CPU මත උසස් තත්ත්වයේ හඬ සංස්ලේෂණය ලබා දෙයි. අංක, මුදල් සහ ඒකක සඳහා 8 ස්ථාපිත හඬ, වෙනස් කළ හැකි කතා වේගය සහ ස්ථාපිත පෙළ පෙර සැකසීම. අගුළු යෙදවීම සහ අඩු ප් රමාණයේ යෙදුම් සඳහා පරිපූර්ණ.
KittenML
Apache 2.0
ස්ථිර
en
0GB
නෑ.
නිදහස්
CosyVoice3
Standard
CosyVoice3 යනු අලිබාබාගේ FunAudioLLM කණ්ඩායමේ නවතම පරිණාමයයි. එය ~ 150ms ප් රමාදයක් සහිත ද්විත්ව ශ් රව්ය උපුටා ගැනීමක්, හැඟීම් / වේගය / පරිමාව සඳහා උපදෙස් මත පදනම් වූ පාලනයක් සහ ශුන්ය-ෂටල ක්ලෝන කිරීම සඳහා වැඩිදියුණු කළ කථික සමානතාවයක් ඇත.9භාෂා සහ 18 චීන භාෂා සහාය දක්වයි. RL-tuneed විකල්පය රාජ්ය-of-the-art prosody සපයයි.
Alibaba (FunAudioLLM)
Apache 2.0
ස්ථිර
en, zh, ja, ko, de, es, fr, it, ru
4GB
ඔව්
2x
NAMAA Saudi TTS
Standard
NAMAA සවුදි TTS අභ්යවකාශයේ සෞදි අරාබියේ ChatterboxMultilingual සමාන සවුදි අරාබි fine-tune වේ. NAMAA Space විසින් පුහුණු සත්ය සවුදි-භාෂා කතාබහ මත, එය සාමාන්ය බහුභාෂා ආකෘති ගැලපෙන නොහැකි ස්වභාවික නවීන සම්මත අරාබි හා සවුදි සංවාදාත්මක උච්චාරණය නිෂ්පාදනය. Chatterbox ශුන්ය-ෂොට් හඬ ක්ලෝන සහ සංවාදාත්මක ශ්රව්ය ප්රශ්න හරහා හැඟීම් පාලනය උරුම. පළමු විවෘත-බර අරාබි TTS TTS.ai මත යෙදවුම්.
NAMAA Space
MIT
මධ්යම
ar
6GB
ඔව්
2x
Darwin TTS
Standard
ඩෝවින්-TTS-1.7B-කුරුස අවසන්-බංකුව විසින් Qwen3-TTS-1.7B පර්යේෂණ විකල්පය වන අතර, එහිදී 84 කතා කරන්නා-FFN tensors (8.6%) Qwen3-1.7B-අධිපත්යය සිට ගැලපෙන tensors සමග α =3% දී මිශ්ර කරනු ලැබේ. මිශ්රණය නැවත පුහුණුවකින් තොරව ඉදි කර ඇති අතර කොරියානු හරහා සැලකිය යුතු crisper හරස්-භාෂා හඬ ක්ලෝන නිෂ්පාදනය, ඉංග්රීසි, ජපන්, සහ චීන. ශූරතාවය-ෂොට් හඬ-ක්ලෝන මාදිලිය තුළ ක්රියාත්මක වේ (3 තත්පර උපුටා ශ්රව්ය).
FINAL-Bench
Apache 2.0
මධ්යම
en, ko, ja, zh
7GB
ඔව්
2x
MOSS-TTSD
Standard
MOSS-TTSD v1.0 OpenMOSS සිට කෙටි ශ්රව්ය ප්රතිඥාව සිට සංවාදය දිගටම පවතී 7B සංවාද පෙළ-කථාව ආකෘතිය වේ. [S1] / [S2] ටැග් හරහා5සමකාලීන කථිකයන් දක්වා සහාය, 3-10s සම්භන්ධ ශ්රව්ය ශූරතාවය හඬ ක්ලෝන, සහ 20 භාෂා හරහා සමබර බහු-පසුබස්වන සංවාදය විනාඩි දක්වා 60. MOSS-TTS සිට වෙනස් - TTSD පොඩ්කාස්ට් / ශ්රව්ය පොත් / dubbing වැඩ ප්රවාහයන් සඳහා විශේෂිත වේ.
OpenMOSS
Apache 2.0
මධ්යම
en, zh
12GB
ඔව්
2x
Ming-Omni TTS
Free
inclusionAI විසින් Ming-omni-tts-0.5B පැච්-by-පැච් ප්රවාහය ගැලපෙන ශ්රව්ය විකේතනය සමග BailingMM ඝන පිටුපස මත ඉදි කරන ලද සංයුක්ත omni-modal කථා ආකෘතිය වේ. 44.1kHz ප්රතිදානය (CD ගුණාත්මක අසල), 3+ තත්පර උපුටා ගැනීමකින් ශුන්ය-ෂොට් හඬ ක්ලෝන සහාය, සහ JSON උපදෙස් හරහා තනන ලද හැඟීම් / උපභාෂාව / BGM පාලනය ඇතුළත් වේ. විශිෂ්ට ස්ථාවරත්වය - චීන සම්මතයන් මත 0.83% WER.
inclusionAI
Apache 2.0
මධ්යම
en, zh
3GB
ඔව්
නිදහස්
MOSS-TTS Nano
Free
MOSS-TTS-Nano-100M යනු MOSS-TTS පවුලේ OpenMOSS හි සංයුක්ත 100M-පරාමිතික විකල්පය වන අතර ප්රමාද-ප් රතිවර්ත ගෘහ නිර්මාණ ශිල්පය හුවමාරු කරයි. 80x කුඩා බර සහ ඉල්ලුම් කරන VRAM සඳහා 8B ආකෘතියේ උපරිම ගුණාත්මකභාවය වෙළඳාම් කරයි. එය නිදහස් ස්ථර සහ ඉහළ කාර්යක්ෂමතාවයකින් යුත් යෙදවුම් සඳහා සුදුසු වේ.
OpenMOSS
Apache 2.0
ස්ථිර
en, zh, de, es, fr, ja, it, ko, ru, ar, pt
2GB
ඔව්
නිදහස්
Kokoro
නිදහස්
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
ස්ථිර
Piper
නිදහස්
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
ස්ථිර
VITS
නිදහස්
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
ස්ථිර
MeloTTS
නිදහස්
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
ස්ථිර
Kani TTS 2
නිදහස්
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
ස්ථිර
OuteTTS
නිදහස්
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
මන්දගාමී
Pocket TTS
නිදහස්
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
ස්ථිර
Kitten TTS
නිදහස්
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
ස්ථිර
Ming-Omni TTS
නිදහස්
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
මධ්යම
MOSS-TTS Nano
නිදහස්
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
ස්ථිර
Bark
සම්මත
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
මන්දගාමී
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
නෑ.
Bark Small
සම්මත
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
මධ්යම
en, zh, fr, de, hi, it, ja, ko, pl, pt, ru, es, tr
නෑ.
CosyVoice 2
සම්මත
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
මධ්යම
en, zh, ja, ko, fr, de, it, es
ඔව්
Dia TTS
සම්මත
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
මධ්යම
en
නෑ.
Parler TTS
සම්මත
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
මධ්යම
en
නෑ.
Indic Parler TTS
සම්මත
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
මන්දගාමී
ta, bn, mr, gu, kn, pa, or, as, hi, te, ml, en
නෑ.
KhanomTan TTS
සම්මත
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
ස්ථිර
th
නෑ.
IndexTTS-2
සම්මත
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
මධ්යම
en, zh
ඔව්
Spark TTS
සම්මත
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
මධ්යම
en, zh
ඔව්
GPT-SoVITS
සම්මත
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
මන්දගාමී
en, zh, ja, ko
ඔව්
Orpheus
සම්මත
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
මධ්යම
en
නෑ.
Qwen3 TTS
සම්මත
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
මධ්යම
en, zh, ja, ko, de, fr, ru, pt, es, it
නෑ.
VieNeu-TTS-v2
සම්මත
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
ස්ථිර
vi, en
ඔව්
Chatterbox Turbo
සම්මත
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
ස්ථිර
en
ඔව්
VoxCPM
සම්මත
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
ස්ථිර
en, zh
ඔව්
VibeVoice
සම්මත
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
ස්ථිර
en, zh
නෑ.
CosyVoice3
සම්මත
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
ස්ථිර
en, zh, ja, ko, de, es, fr, it, ru
ඔව්
NAMAA Saudi TTS
සම්මත
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
මධ්යම
ar
ඔව්
Darwin TTS
සම්මත
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
මධ්යම
en, ko, ja, zh
ඔව්
MOSS-TTSD
සම්මත
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
මධ්යම
en, zh
ඔව්
Chatterbox
ප්රමිතිය
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
මධ්යම
en
ඔව්
4GB
4x
Tortoise TTS
ප්රමිතිය
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
මන්දගාමී
en
ඔව්
8GB
4x
OpenVoice
ප්රමිතිය
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
මධ්යම
en, zh, ja, ko, fr, es
ඔව්
4GB
4x
Sesame CSM
ප්රමිතිය
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
මන්දගාමී
en
නෑ.
8GB
4x
ආකෘතිය සංසන්දනය වගුව
| ආකෘතිය | සංවර්ධක: | සත්ත්වයා | තත්ත්ව: | වේගය | භාෂා | හඬ ක්ලෝන කිරීම | VRAM | බලපත්රය: | ණය | |
|---|---|---|---|---|---|---|---|---|---|---|
| Kokoro | Hexgrad | Free | ස්ථිර | 8 | 1.5GB | Apache 2.0 | නිදහස් | භාවිතය | ||
| Piper | Rhasspy | Free | ස්ථිර | 42 | 0 (CPU only) | MIT | නිදහස් | භාවිතය | ||
| VITS | Jaehyeon Kim et al. | Free | ස්ථිර | 11 | 1GB | MIT | නිදහස් | භාවිතය | ||
| MeloTTS | MyShell.ai | Free | ස්ථිර | 6 | 0.5GB (GPU optional) | MIT | නිදහස් | භාවිතය | ||
| Bark | Suno | Standard | මන්දගාමී | 13 | 5GB | MIT | 2 | භාවිතය | ||
| Bark Small | Suno | Standard | මධ්යම | 13 | 2GB | MIT | 2 | භාවිතය | ||
| CosyVoice 2 | Alibaba (Tongyi Lab) | Standard | මධ්යම | 8 | 4GB | Apache 2.0 | 2 | භාවිතය | ||
| Dia TTS | Nari Labs | Standard | මධ්යම | 1 | 4GB | Apache 2.0 | 2 | භාවිතය | ||
| Parler TTS | Hugging Face | Standard | මධ්යම | 1 | 4GB | Apache 2.0 | 2 | භාවිතය | ||
| Indic Parler TTS | AI4Bharat | Standard | මන්දගාමී | 12 | 8GB | Apache 2.0 | 2 | භාවිතය | ||
| KhanomTan TTS | Wannaphong Phatthiyaphaibun | Standard | ස්ථිර | 1 | 2GB | Apache 2.0 | 2 | භාවිතය | ||
| IndexTTS-2 | Index Team | Standard | මධ්යම | 2 | 4GB | Bilibili Model License | 2 | භාවිතය | ||
| Spark TTS | SparkAudio | Standard | මධ්යම | 2 | 4GB | CC BY-NC-SA 4.0 | 2 | භාවිතය | ||
| GPT-SoVITS | RVC-Boss | Standard | මන්දගාමී | 4 | 6GB | MIT | 2 | භාවිතය | ||
| Orpheus | Canopy Labs | Standard | මධ්යම | 1 | 4GB | Llama 3.2 Community | 2 | භාවිතය | ||
| Chatterbox | Resemble AI | Premium | මධ්යම | 1 | 4GB | MIT | 4 | භාවිතය | ||
| Tortoise TTS | James Betker | Premium | මන්දගාමී | 1 | 8GB | Apache 2.0 | 4 | භාවිතය | ||
| StyleTTS 2 | Columbia University | Premium | මධ්යම | 1 | 4GB | MIT | 4 | භාවිතය | ||
| OpenVoice | MyShell.ai / MIT | Premium | මධ්යම | 6 | 4GB | MIT | 4 | භාවිතය | ||
| Qwen3 TTS | Alibaba (Qwen) | Standard | මධ්යම | 10 | 7GB | Apache 2.0 | 2 | භාවිතය | ||
| VieNeu-TTS-v2 | Phạm Nguyễn Ngọc Bảo | Standard | ස්ථිර | 2 | CPU | Apache 2.0 | 2 | භාවිතය | ||
| Sesame CSM | Sesame | Premium | මන්දගාමී | 1 | 8GB | Apache 2.0 | 4 | භාවිතය | ||
| Chatterbox Turbo | Resemble AI | Standard | ස්ථිර | 1 | 2GB | MIT | 2 | භාවිතය | ||
| VoxCPM | OpenBMB | Standard | ස්ථිර | 2 | 4GB | Apache 2.0 | 2 | භාවිතය | ||
| Kani TTS 2 | NineNineSix | Free | ස්ථිර | 1 | 3GB | Apache 2.0 | නිදහස් | භාවිතය | ||
| OuteTTS | OuteAI | Free | මන්දගාමී | 1 | 2GB | Apache 2.0 | නිදහස් | භාවිතය | ||
| VibeVoice | Microsoft | Standard | ස්ථිර | 2 | 4GB | MIT | 2 | භාවිතය | ||
| Pocket TTS | Kyutai | Free | ස්ථිර | 2 | 1GB | MIT | නිදහස් | භාවිතය | ||
| Kitten TTS | KittenML | Free | ස්ථිර | 1 | 0GB | Apache 2.0 | නිදහස් | භාවිතය | ||
| CosyVoice3 | Alibaba (FunAudioLLM) | Standard | ස්ථිර | 9 | 4GB | Apache 2.0 | 2 | භාවිතය | ||
| NAMAA Saudi TTS | NAMAA Space | Standard | මධ්යම | 1 | 6GB | MIT | 2 | භාවිතය | ||
| Darwin TTS | FINAL-Bench | Standard | මධ්යම | 4 | 7GB | Apache 2.0 | 2 | භාවිතය | ||
| MOSS-TTSD | OpenMOSS | Standard | මධ්යම | 2 | 12GB | Apache 2.0 | 2 | භාවිතය | ||
| Ming-Omni TTS | inclusionAI | Free | මධ්යම | 2 | 3GB | Apache 2.0 | නිදහස් | භාවිතය | ||
| MOSS-TTS Nano | OpenMOSS | Free | ස්ථිර | 11 | 2GB | Apache 2.0 | නිදහස් | භාවිතය |
කථා වේදිකාවට වඩාත්ම පුළුල් AI පෙළ
TTS.ai ක් තේරෙන්නේ ඇයි?
TTS.ai තනි, භාවිතා කිරීමට පහසු වේදිකාවක් ලෝකයේ හොඳම විවෘත මූලාශ්රය පෙළ-කථාව ආකෘති එකට ගෙන එයි. තනි හඬ එන්ජිමකට ඔබ අගුළු ලා ඇති වත්කම් සේවා මෙන් නොව, TTS.ai Coqui, MyShell, Amphion, NVIDIA, Suno, HuggingFace, Tsinghua විශ්ව විද්යාලයේ, සහ තවත් ප්රමුඛ පර්යේෂණ විද්යාගාර වලින් 20+ ආකෘති වෙත ඔබට ප්රවේශය ලබා දෙයි.
සෑම ආකෘතියක්ම MIT, Apache 2.0, හෝ සමාන ඉඩ දෙන බලපත්ර යටතේ විවෘත මූලාශ් රය වන අතර, ඔබගේ ව් යාපෘතිවල ජනනය කරන ලද ශබ්දය භාවිතා කිරීමට ඔබට පූර්ණ වාණිජ අයිතිවාසිකම් ඇති බව සහතික කරයි. ඔබට ශ් රව් ය පොත් සහ පොඩ්කාස්ට් සඳහා වේගවත්, සැහැල්ලු සංස්ලේෂණයක් අවශ් යද, TTS.ai සෑම භාවිතයක් සඳහාම සුදුසු ආකෘතිය ඇත.
නිදහස් ආකෘති, කිසිදු ගිණුමක් අවශ්ය
Piper (අතිශයින් වේගවත්, සැහැල්ලු), VITS (උසස් තත්ත්වයේ ස්නායු සංස්ලේෂණය), සහ MeloTTS (බහු-භාෂා සහාය) නොමිලේ TTS ආකෘති තුනක් සමඟ වහාම ආරම්භ කරන්න. කිසිදු ලියාපදිංචි, කිසිදු ක්රෙඩිට් කාඩ්, පරම්පරාව මත සීමා. නිදහස් ආකෘති බොහෝ යෙදුම් සඳහා සුදුසු ස්වභාවික ශබ්ද ප්රතිදානය සමඟ ඉංග්රීසි සහ වෙනත් භාෂා බහු සහාය.
GPU- ත්වරණ සැකසීම
සියලුම TTS ආකෘති වේගවත්, අනුකූල පරම්පරා කාලය සඳහා කැප NVIDIA GPUs මත ධාවනය. නිදහස් ආකෘති සාමාන්යයෙන් යටතේ ශ්රව්ය ජනනය2තත්පර. Kokoro වැනි සම්මත ආකෘති, CosyVoice2සහ Bark සාමාන්ය 3-5 තත්පර. ඉහළම ගුණාත්මකභාවය සහිත ප් රමිතිමත් ආකෘති, Tortoise සහ Chatterbox වැනි, පෙළ දිග අනුව තත්පර 5-15 ක් තුළ ක් රියා කරයි.
30+ භාෂා සහාය
ඉංග්රීසි, ස්පාඤ්ඤ, ප්රංශ, ජර්මානු, ඉතාලි, පෘතුගීසි, චීන, ජපන්, කොරියානු, අරාබි, හින්දි, රුසියානු, සහ තවත් බොහෝ භාෂා ඇතුළුව 30 කට වඩා වැඩි ගණනකදී කථාව ජනනය කරන්න. ආකෘති කිහිපයක් හරස්-භාෂා සංස්ලේෂණයට සහාය දක්වයි, එනම් ඔබ මුල් හඬ පුහුණු කර නොමැති භාෂාවකින් කථාව ජනනය කළ හැකිය. CosyVoice2සහ GPT-SoVITS හරස්-භාෂා හඬ ක්ලෝන කිරීමේදී විශිෂ්ට වේ.
සංවර්ධක- සූදානම් API
අපගේ OpenAI අනුකූල REST API සමඟ ඔබේ යෙදුම් වලට TTS.ai ඒකාබද්ධ කරන්න. සියලුම 20+ ආකෘති සඳහා එක් අවසන් ස්ථානයක්. Python, JavaScript, cURL සහ Go SDKs. තත්කාලීන යෙදුම් සඳහා ප් රවාහනය සහාය. විශාල ප් රමාණයේ අන්තර්ගත ජනනය සඳහා බැච් සැකසීම. අසමකාලීන දැනුම්දීම් සඳහා වෙබ්හූක්ස්. API ප්රවේශය නොමිලේ ඇතුළු සෑම සැලැස්මකම ඇතුළත් වේ.
නිතර අසන ප්රශ්න
අපි වැඩි දියුණු කළ හැකි දේ? ඔබේ ප්රතිචාරය අපට ගැටළු විසඳීමට උපකාරී වේ.
දැන් පෙළ සිට කථාව බවට පරිවර්තනය ආරම්භ කරන්න
TTS.ai භාවිතා නිර්මාණකරුවන් දහස් ගණනක් එක්වන්න. නව ගිණුමක් සමඟ 15,000 නොමිලේ අක්ෂර ලබා ගන්න. ලියාපදිංචි තොරව නොමිලේ ආකෘති ලබා ගත හැකිය.