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 spoločnosti 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 generovanej reči nezávisle od hlasovej identity.

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

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.

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.