Teks-ka-waca

Kokoro nyaéta model teks-ka-wacana kalayan parameter 82 juta anu ngaleuwihan kelas beuratna. Sanaos ukuranana leutik, éta ngahasilkeun wacana anu alami sareng ekspresif. Kokoro ngadukung sababaraha basa kalebet basa Inggris, Jepang, Cina, sareng Korea kalayan rupa-rupa sora ekspresif. Éta ngajalankeun gancang pisan - ngahasilkeun audio sakitar 100x langkung gancang tibatan waktos nyata dina GPU.

Piper nyaéta mesin téks-ka-wacana anu ringan anu dikembangkeun ku Rhasspy anu ngagunakeun arsitektur VITS sareng larynx. Éta dijalankeun sacara lengkep dina CPU, janten sampurna pikeun alat edge, home automation, sareng aplikasi anu meryogikeun TTS offline. Ku langkung ti 100 sora ngalangkungan 30+ basa, Piper nyayogikeun wacana anu sorana alami dina kecepatan waktos nyata bahkan dina Raspberry Pi 4.

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) nyaéta metode TTS paralel end-to-end anu ngahasilkeun sora anu langkung alami tibatan modél dua-tahap ayeuna. Éta ngadopsi variational inference ditambahkeun ku aliran normalisasi sareng prosés pelatihan lawan, ngahasilkeun paningkatan alamiah anu signifikan.

MeloTTS ku MyShell.ai nyaéta pustaka TTS multibasa anu ngadukung basa Inggris (Amerika, Inggris, India, Australia), Spanyol, Perancis, Cina, Jepang, jeung Korea. Éta gancang pisan, ngaolah téks dina laju waktos nyata dina CPU sorangan. MeloTTS dirancang pikeun panggunaan produksi sareng ngadukung CPU sareng GPU inference.

Bark ku Suno nyaéta model teks-ka-audio dumasar-transformator anu bisa ngahasilkeun basa multi-basa anu realistis sarta ogé audio séjén kayaning musik, sora latar, jeung efek sora. Bisa ngahasilkeun komunikasi non-verbal kayaning ketawa, ngahuleng, jeung nangis. Bark ngadukung leuwih ti 100 preset panyatur jeung 13+ basa.

Bark Small nyaéta versi distilasi tina model Bark anu ngagantikeun sababaraha kualitas audio pikeun laju inference anu langkung gancang sareng sarat mémori anu langkung handap. Éta ngajaga kamampuan Bark pikeun ngahasilkeun basa kalayan emosi, tawa, sareng sababaraha basa.

CosyVoice 2 ku Alibaba's Tongyi Lab ngahontal kualitas basa anu sabanding sareng manusa kalayan latensi anu sangat rendah, janten sampurna pikeun aplikasi real-time. Éta nganggo pendekatan kuantisasi skala hébat pikeun sintésis streaming sareng ngadukung kloning sora zero-shot, sintésis cross-language, sareng kontrol emosi granular. Éta langkung saé tibatan seueur sistem TTS komersial dina evaluasi subjektif.

Dia ku Nari Labs nyaéta model teks-ka-wacana parameter 1.6B anu dirancang hususna pikeun ngahasilkeun dialog multi-pangucapan. Éta tiasa ngahasilkeun percakapan anu sorana alami antara dua pangucapan kalayan giliran anu pas, prosody, sareng ekspresi émosional. Dia sampurna pikeun nyiptakeun isi gaya podcast, dialog buku audio, sareng AI percakapan interaktif.

Parler TTS nyaéta model teks-ka-wacana anu ngagunakeun deskripsi sora basa alami pikeun ngaontrol wacana anu dihasilkeun. Salian ti milih ti sora anu ditangtukeun, anjeun ngajelaskeun sora anu anjeun pikahoyong (misalna, "suara awéwé anu haneut kalayan aksen Inggris anu leutik, nyarita lambat sareng jelas") sareng Parler ngahasilkeun wacana anu cocog sareng deskripsi éta. Ieu ngajadikeun éta unik fleksibel pikeun aplikasi kreatif.

GLM-TTS ku Zhipu AI nyaéta sistem teks-ka-wacana anu diwangun dina arsitektur Llama kalayan cocog aliran. Éta ngahontal tingkat kasalahan karakter anu panghandapna diantarana model TTS sumber terbuka, hartosna éta ngahasilkeun pengucapan anu paling akurat. GLM-TTS ngadukung basa Inggris sareng Cina kalayan kloning sora ti 3-10 sampel audio detik.

IndexTTS-2 nyaéta sistem téks-ka-wacana anu maju anu unggul dina sintésis sora zero-shot kalayan kontrol emosi anu saé. Éta tiasa ngahasilkeun wacana kalayan nada emosi khusus sapertos senang, sedih, marah, atanapi takut tanpa peryogi data pelatihan emosi khusus. Modelna nganggo vektor emosi pikeun ngaontrol ekspresi emosi tina wacana anu dihasilkeun.

Spark TTS ku SparkAudio nyaéta model teks-ka-wacana anu ngagabungkeun kloning sora sareng emosi anu tiasa dikontrol sareng gaya nyarios. Ngagunakeun ngan 5 detik audio rujukan, éta tiasa ngaklonkeun sora sareng teras ngahasilkeun wacana kalayan emosi, kecepatan, sareng gaya anu béda nalika ngajaga identitas sora anu dikloning. Spark TTS ngagunakeun sistem kontrol dumasar-prompt.

GPT-SoVITS ngagabungkeun modeling basa gaya GPT jeung SoVITS (Singing Voice Inference via Translation and Synthesis) pikeun kloning sora anu kuat. Ku kirang ti 5 detik audio rujukan, éta bisa kloning sora kalayan akurat sarta ngahasilkeun basa anyar bari ngalestarikeun ciri-ciri unik panyaturna. Éta unggul dina sintésis sora nyarios jeung nyanyi.

Orpheus nyaéta model teks-ka-wacana skala-gede anu ngahasilkeun ekspresi emosi dina tingkat manusa. Dilatih dina leuwih ti 100.000 jam data wacana anu béda, éta unggul dina ngahasilkeun wacana kalayan emosi alami, penekanan, sarta gaya wacana. Orpheus bisa ngahasilkeun wacana anu teu bisa dibédakeun ti rekaman manusa.

Chatterbox ku Resemble AI mangrupakeun model kloning sora zero-shot pangénggalna. Ieu bisa ngareplikasi sora mana wae ti sampel audio tunggal kalayan akurasi anu luar biasa, henteu ngan ukur ngarekam timbre tapi ogé gaya nyarita sareng nuansa émosional. Chatterbox ogé mibanda kontrol émosional granular-fine, ngamungkinkeun anjeun ngawatesan nada émosional tina pidato anu dihasilkeun sacara mandiri tina identitas sora.

Tortoise TTS nyaéta sistem teks-ka-wacana multi-suara anu auto-regresif anu ngutamakeun kualitas audio dibandingkeun kacepetan. Éta ngagunakeun arsitektur anu diilhami ku DALL-E pikeun ngahasilkeun wacana anu sangat alami kalayan prosody anu saé sareng kesamaan pembicara. Sedengkeun langkung lambat tibatan seueur alternatif, Tortoise ngahasilkeun sababaraha wacana sintétik anu paling nyata anu sayogi dina ekosistem sumber terbuka.

StyleTTS 2 ngahasilkeun sintésis TTS tingkat manusa ku ngagabungkeun difusi gaya sareng latihan lawan nganggo model basa basa ageung. Éta ngahasilkeun basa anu paling alami diantarana model panyatur tunggal, ngalawan rékaman manusa. StyleTTS 2 ngagunakeun model gaya dumasar-difusi pikeun ngamangpaatkeun sadaya variasi basa manusa.

OpenVoice ku MyShell.ai ngamungkinkeun kloning sora langsung kalayan kontrol granular kana gaya sora, emosi, aksen, ritme, pause, jeung intonasi. Éta tiasa kloning sora ti klip audio pondok sarta ngahasilkeun basa dina sababaraha basa bari ngajaga identitas panyatur. OpenVoice ogé fungsina salaku konvertor sora, ngamungkinkeun transformasi sora waktu nyata.

Qwen3-TTS nyaéta 1.7 milyar parameter teks-ka-wacana model ti Alibaba's Qwen tim. Ieu ngadukung tilu mode: preset sora jeung emotion kontrol (9 speakers), kloning sora ti ngan 3 detik tina audio, jeung hiji unik mode desain sora dimana anjeun ngajelaskeun sora anjeun hayang dina basa alami. Ieu ngawengku 10 basa kalawan ekspresi tinggi jeung prosody alami.

Sesame CSM (Conversational Speech Model) nyaéta model 1 milyar parameter anu dirancang hususna pikeun ngahasilkeun basa konversasi. Ieu ngamodelkeun pola alami tina basa konversasi manusa kaasup waktu-tempoan, tanggapan backchannel, reaksi émosional, jeung aliran basa konversasi. CSM ngahasilkeun audio anu sorana saperti basa konversasi manusa alami tibatan basa sintetis.

Chatterbox Turbo ku Resemble AI nyaéta pangoptimalkeun parameter 350M pikeun Chatterbox, nyayogikeun laju waktos nyata dugi ka 6x kalayan latensi sub-200ms. Éta ngadukung tag paralinguistik sapertos [laugh], [cough], sareng [chuckle] langsung dina teks. Ngandung tanda cai Perth dina sadaya audio anu dihasilkeun pikeun ngalacak asalna.

Zonos v0.1 ku Zyphra nyaéta model parameter 1.6B anu ngawengku kontrol emosi anu dikontrol ku slider pikeun kabahagiaan, kemarahan, sedih, ketakutan, sareng kaget. Éta nawiskeun boh Transformer sareng varian SSM (model ruang-nagara) anu anyar. Dilatih dina 200K + jam basa multilingual kalayan kloning sora zero-shot ti 10-30 detik audio referensi.

Dia2 ku Nari Labs nyaéta pangoptimalkeun streaming-first ka Dia, aya dina varian parameter 1B jeung 2B. Dia mimitina ngasintésis audio ti sababaraha token munggaran, ngajadikeun éta sampurna pikeun agen sora waktu nyata jeung pipa basa-ka-basa. Ngadukung dialog multi-pangucapan kalawan tag [S1]/[S2] jeung cues paralinguistik kayaning (laughs), (coughs).

VoxCPM 1.5 ku OpenBMB nyaéta model TTS anyar tanpa tokenizer anu operasi dina ruang terus-terusan tibatan tokens diskrit. Éta ngahasilkeun audio 44.1kHz anu dipercaya, ngadukung kloning sora zero-shot ti 3-10 detik, sareng ngajaga konsistensi ngaliwatan paragraf. Kloning cross-language ngamungkinkeun anjeun nerapkeun sora Inggris kana basa Cina sareng sabalikna.

OuteTTS ngalegaan model basa anu gedé kalayan kamampuan teks-ka-wacana sakumaha ngajaga arsitektur aslina. Éta ngadukung sababaraha backends kaasup llama.cpp (CPU/GPU), Hugging Face Transformers, ExLlamaV2, VLLM, sarta malah inference browser via Transformers.js. Fitur kloning sora zero-shot ngaliwatan profil panyatur disimpen salaku JSON.

TADA (Teks-Acoustic Dual Alignment) ku Hume AI nyaéta model TTS anu ngaleungitkeun halusinasi ku cara arsitéktur dua kali anu anyar anu diwangun dina Llama 3.2. Anu sayogi dina 1B (Inggris) sareng 3B (multilingual) varian, TADA ngahontal RTF tina 0.09 - 5x langkung gancang tibatan model TTS anu sabanding sareng LLM-based. Éta ngadukung dugi ka 700 detik konteks audio sareng ngahasilkeun pidato ekspresif anu emosional kalayan halusinasi nol dina benchmarks standar.

VibeVoice ku Microsoft datang dina dua varian: hiji 1.5B model pikeun isi panjang-bentuk (ka 90 menit, 4 speakers) jeung hiji Realtime 0.5B model pikeun streaming kalawan ~ 200ms latency audio kahiji. Varian 1.5B excels di podcasts jeung audiobooks kalawan speaker konsistensi leuwih pasagi panjang. Catatan: Microsoft dihapus TTS kode ti repository jeung audio dihasilkeun ngawengku audible AI disclaimers.

Pocket TTS ku Kyutai (panyekel Moshi) nyaéta model teks-ka-wacana parameter 100M anu kompak anu ngaleuwihan beuratna. Ieu dijalankeun kalayan efisien dina CPU, ngadukung kloning sora zero-shot ti sampel audio tunggal, sarta ngahasilkeun wacana anu sorana alami. Ukuran model anu alit ngajantenkeunana sampurna pikeun pamasangan tepi sareng lingkungan sumber daya anu handap.

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.