Prevod textu na reč

Kokoro je model prevodu textu na reč s 82 miliónmi parametrov, ktorý výrazne prevyšuje svoju hmotnostnú triedu. Napriek svojej malej veľkosti produkuje pozoruhodne prirodzenú a expresívnu reč. Kokoro podporuje viacero jazykov vrátane angličtiny, japončiny, čínštiny a kórejčiny s rôznymi expresívnymi hlasmi. Beží neuveriteľne rýchlo - generuje zvuk takmer 100x rýchlejšie ako v reálnom čase na GPU.

Piper je ľahký text-to-speech engine vyvinutý spoločnosťou Rhasspy, ktorý využíva VITS a larynx architektúry.Beží výlučne na CPU, takže je ideálny pre hraničné zariadenia, domácu automatizáciu a aplikácie vyžadujúce offline TTS. S viac ako 100 hlasmi v 30+ jazykoch, Piper prináša prirodzene znejúcu reč v reálnom čase aj na Raspberry Pi 4.

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) je paralelná metóda prekladu textu na reč, ktorá generuje prirodzenejšie znejúci zvuk ako súčasné dvojstupňové modely.Prijíma variačnú inferenciu rozšírenú o normalizačné toky a proces konkurenčného tréningu, čím sa dosiahne výrazné zlepšenie prirodzenosti.

MeloTTS od MyShell.ai je viacjazyčná knižnica TTS podporujúca angličtinu (americká, britská, indická, austrálska), španielčinu, francúzštinu, čínštinu, japončinu a kórejčinu.Je extrémne rýchla, spracúva text rýchlosťou takmer v reálnom čase len na CPU.MeloTTS je navrhnutý pre produkčné použitie a podporuje odvodenie CPU aj GPU.

Bark od Suno je model pre transformáciu textu na zvuk, ktorý dokáže generovať vysoko realistickú viacjazyčnú reč, ako aj iné zvuky, ako je hudba, hluk na pozadí a zvukové efekty. Môže produkovať neverbálnu komunikáciu, ako je smiech, vzdychanie a plač.Bark podporuje viac ako 100 predvolieb reproduktorov a 13+ jazykov.

Bark Small je destilovaná verzia modelu Bark, ktorý vymieňa určitú kvalitu zvuku za výrazne rýchlejšie rýchlosti odvodzovania a nižšie požiadavky na pamäť.Zachováva schopnosť Bark generovať reč s emóciami, smiechom a viacerými jazykmi.

CosyVoice 2 od Tongyi Lab spoločnosti Alibaba dosahuje kvalitu reči porovnateľnú s ľudskou s extrémne nízkou latenciou, čo je ideálne pre aplikácie v reálnom čase. Používa konečný skalárny kvantizačný prístup pre streamovanú syntézu a podporuje klonovanie hlasu s nulovým výstrelom, syntézu medzi jazykmi a jemnozrnnú kontrolu emócií.

Dia od Nari Labs je 1.6B parametrový model premeny textu na reč, ktorý je špeciálne navrhnutý na generovanie dialógu medzi viacerými rečníkmi. Môže produkovať prirodzene znejúce konverzácie medzi dvoma rečníkmi s vhodným ťahaním, prozódiou a emocionálnym vyjadrením.Dia je ideálny na vytváranie obsahu v štýle podcastov, dialógov audiokníh a interaktívnej konverzačnej umelej inteligencie.

Parler TTS je model prevodu textu na reč, ktorý používa hlasové popisy prirodzeného jazyka na ovládanie generovaného prejavu. Namiesto výberu z prednastavených hlasov, môžete opísať hlas, ktorý chcete (napr. "teplý ženský hlas s miernym britským prízvukom, hovorí pomaly a jasne") a Parler generuje reč zodpovedajúcu tomuto popisu.

GLM-TTS od Zhipu AI je systém premeny textu na reč postavený na architektúre Llama s priraďovaním toku, ktorý dosahuje najnižšiu mieru chýb medzi modelmi TTS s otvoreným zdrojovým kódom, čo znamená, že produkuje najpresnejšiu výslovnosť. GLM-TTS podporuje angličtinu a čínštinu s klonovaním hlasu z 3-10 sekúnd zvukových vzoriek.

IndexTTS-2 je pokročilý systém premeny textu na reč, ktorý vyniká v oblasti nulovej syntézy hlasu s jemnozrnným ovládaním emócií. Môže generovať reč so špecifickými emočnými tónmi, ako je šťastný, smutný, nahnevaný alebo strach, bez toho, aby vyžadoval špecifické tréningové dáta emócií.

Spark TTS od spoločnosti SparkAudio je model prevodu textu na reč, ktorý kombinuje klonovanie hlasu s ovládaním emócií a štýlu reči. Použitím iba 5 sekúnd referenčného zvuku dokáže naklonovať hlas a potom generovať reč s rôznymi emóciami, rýchlosťou a štýlmi pri zachovaní identity klonovaného hlasu.

GPT-SoVITS kombinuje jazykové modelovanie v štýle GPT s SoVITS (Singing Voice Inference via Translation and Synthesis) pre výkonné klonovanie hlasu v niekoľkých záberoch. S takmer 5 sekundami referenčného zvuku dokáže presne naklonovať hlas a generovať novú reč pri zachovaní jedinečných charakteristík reproduktora.

Orpheus je rozsiahly model prevodu textu na reč, ktorý dokáže vyjadriť emócie na ľudskej úrovni. Je trénovaný na viac ako 100 000 hodinách rôznorodých údajov o reči a vyniká v generovaní reči s prirodzenými emóciami, dôrazom a štýlmi reči.Orpheus dokáže produkovať reč, ktorá je prakticky nerozoznateľná od ľudských nahrávok.

Chatterbox od Resemble AI je špičkový model na klonovanie hlasu, ktorý dokáže replikovať akýkoľvek hlas z jedinej zvukovej vzorky s pozoruhodnou presnosťou, pričom zachytáva nielen farbu hlasu, ale aj štýl reči a emocionálne nuansy. Chatterbox tiež ponúka jemné ovládanie emócií, ktoré vám umožňuje upraviť emocionálny tón generovaného prejavu nezávisle od hlasovej identity.

Tortoise TTS je autoregresívny viachlasový systém premeny textu na reč, ktorý uprednostňuje kvalitu zvuku pred rýchlosťou.Používa architektúru inšpirovanú DALL-E na generovanie vysoko prirodzenej reči s vynikajúcou prozódiou a podobnosťou hovoriaceho. Aj keď je pomalší ako mnohé alternatívy, Tortoise produkuje jednu z najrealistickejších syntetických rečí dostupných v ekosystéme open source.

StyleTTS 2 dosahuje syntézu TTS na ľudskej úrovni kombináciou difúzie štýlu s konkurenčným tréningom pomocou veľkých modelov reči. Vytvára najprirodzenejšie znejúcu reč medzi modelmi s jedným reproduktorom, ktoré súperia s ľudskými nahrávkami.

OpenVoice od MyShell.ai umožňuje okamžité klonovanie hlasu s granulárnou kontrolou nad hlasom, emóciami, prízvukom, rytmom, pauzami a intonáciou. Môže klonovať hlas z krátkeho zvukového klipu a generovať reč vo viacerých jazykoch pri zachovaní identity hovoriaceho.OpenVoice tiež funguje ako hlasový konvertor, ktorý umožňuje transformáciu hlasu v reálnom čase.

Qwen3-TTS je model premeny textu na reč s 1,7 miliardou parametrov od tímu Qwen spoločnosti Alibaba. Podporuje tri režimy: prednastavené hlasy s ovládaním emócií (9 reproduktorov), klonovanie hlasu z iba 3 sekúnd zvuku a jedinečný režim návrhu hlasu, kde môžete opísať požadovaný hlas v prirodzenom jazyku.

Sesame CSM (Conversational Speech Model) je model s miliardou parametrov navrhnutý špeciálne na generovanie konverzačnej reči. Modeluje prirodzené vzory ľudskej konverzácie vrátane načasovania ťahov, odozvy spätných kanálov, emocionálnych reakcií a toku konverzácie.CSM generuje zvuk, ktorý skôr ako syntetická reč znie ako prirodzená ľudská konverzácia.

Chatterbox Turbo od Resemble AI je 350M parametrický upgrade na Chatterbox, ktorý poskytuje až 6x rýchlejšie spracovanie v reálnom čase s latenciou menšou ako 200 ms. Podporuje paralingvistické značky ako [smiech], [kašeľ] a [chuckle] priamo v texte.

Zonos v0.1 od Zyphra je 1.6B parametrický model s jemne zrnitou kontrolou emócií s posuvníkmi pre šťastie, hnev, smútok, strach a prekvapenie.Ponúka ako Transformer, tak aj novú variantu SSM (model stavového priestoru).Natrénovaný na 200K+ hodinách viacjazyčnej reči s nulovým klonovaním hlasu z 10-30 sekúnd referenčného zvuku.

Dia2 od Nari Labs je stream-first upgrade na Dia, dostupný v 1B a 2B variantoch parametrov.Začína syntetizovať zvuk z prvých niekoľkých tokenov, čo je ideálne pre real-time hlasových agentov a speech-to-speech potrubia.Podporuje multi-speaker dialóg s [S1] / [S2] tagy a paralingvistické nápovedy ako (smiech), (kašeľ).

VoxCPM 1.5 od OpenBMB je nový model TTS bez tokenizátora, ktorý pracuje v súvislom priestore namiesto diskrétnych tokenov. Produkuje vysoko verný zvuk 44,1 kHz, podporuje klonovanie hlasu bez výstrelu od 3 do 10 sekúnd a udržuje konzistenciu v odsekoch.

OuteTTS rozširuje veľké jazykové modely o schopnosti premeny textu na reč pri zachovaní pôvodnej architektúry. Podporuje viacero backendov vrátane llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM a dokonca aj odvodenie z prehliadača prostredníctvom Transformers.js.

TADA (Text-Acoustic Dual Alignment) od Hume AI je prelomový model TTS, ktorý eliminuje halucinácie prostredníctvom novej architektúry duálneho zarovnania postavenej na Llama 3.2.TADA je k dispozícii v 1B (anglicky) a 3B (viacjazyčných) variantoch a dosahuje RTF 0,09 - 5x rýchlejšie ako porovnateľné modely TTS založené na LLM.Podporuje až 700 sekúnd zvukového kontextu a vytvára emocionálne expresívnu reč s nulovými halucináciami na štandardných referenčných hodnotách.

VibeVoice od Microsoftu je dostupný v dvoch variantoch: 1.5B model pre dlhý obsah (až 90 minút, 4 reproduktory) a Realtime 0.5B model pre streamovanie s latenciou prvého zvuku ~ 200 ms. Variant 1.5B vyniká pri podcastoch a audioknihách s konzistenciou reproduktorov v dlhých pasážach. Poznámka: Microsoft odstránil kód TTS z úložiska a generovaný zvuk obsahuje počuteľné odmietnutie zodpovednosti za umelú inteligenciu.

Pocket TTS od Kyutai (tvorcovia Moshi) je kompaktný model premeny textu na reč s parametrami 100M, ktorý je oveľa ťažší ako jeho hmotnosť. Beží efektívne na CPU, podporuje klonovanie hlasu z jednej zvukovej vzorky a produkuje prirodzene znejúcu reč.

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.