AI පෙළ සිට කථාවName

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.

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.

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.

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.

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.

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.

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.

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.

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.

Zhipu AI විසින් GLM-TTS යනු ප් රවාහය ගැලපීම සමඟ ලාමා ගෘහ නිර්මාණ ශිල්පය මත ඉදි කරන ලද පෙළ-කථා පද්ධතියකි. එය විවෘත මූලාශ් රය TTS ආකෘති අතර අඩුම අක්ෂර දෝෂ අනුපාතය ලබා ගනී, එය වඩාත් නිවැරදි උච්චාරණය නිපදවයි යන්නයි. GLM-TTS 3-10 තත්පර ශ් රව් ය සාම්පල වලින් හඬ ක්ලෝන කිරීම සමඟ ඉංග් රීසි සහ චීන සහාය දක්වයි.

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.

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.

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.

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.

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.

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.

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.

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.

Qwen3-TTS යනු අලිබාබා Qwen කණ්ඩායමේ 1.7 බිලියන පරාමිතික පෙළ-කථන ආකෘතියකි. එය මාදිලි තුනක් සහාය දක්වයි: හැඟීම් පාලනය සහිත හඬ (කථිකයින්9දෙනෙකු), ශ් රව්ය තත්පර3කින් හඬ ක්ලෝන කිරීම සහ ස්වාභාවික භාෂාවෙන් ඔබට අවශ් ය හඬ විස්තර කරන සුවිශේෂී හඬ සැලසුම් මාදිලිය. එය ඉහළ ප් රකාශාත්මකභාවයක් සහ ස්වාභාවික ප් රසාදය සහිත භාෂා 10 ක් ආවරණය කරයි.

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.

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.

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.

NineNineSix විසින් Kani-TTS-2 යනු Nvidia NanoCodec සමඟ LiquidAI LFM2 පිටුපස ඉදිකරන ලද අතිශය සැහැල්ලු 400M පරාමිතික ආකෘතියකි. එය 3GB VRAM හි පමණක් ධාවනය වන අතර ~2 තත්පර (RTF 0.2) තුළ 10 තත්පර කතාබහක් සාක්ෂාත් කර ගනී. කථිකයින් embeddings හරහා ශූරතාව-ෂොට් හඬ ක්ලෝන කිරීම සහාය දක්වයි.

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.

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.

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.

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.

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.

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).

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.

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.