AI Text to Speech

Kokoro ni mfano wa parameta milioni 82 ambao hupiga ngumi juu ya tabaka lake la uzani. Licha ya ukubwa wake mdogo, hiyo hutokeza sauti ya asili na ya ndani sana. Kokoro huunga mkono lugha mbalimbali ikiwa ni pamoja na Kiingereza, Kijapani, Kichina, na Kikorea kwa sauti za namna mbalimbali.

Piper ni injini nyepesi iliyoundwa na Rhaspy ambayo hutumia muundo wa herufi za VITS na kikoromeo. Inatumia sana CPU, na kuifanya ifae sana kwa vifaa vya kisasa, kuendesha magari ya nyumbani, na maombi yanayohitaji alama ya TTS. Kwa zaidi ya sauti 100 katika lugha 30+, Piper anatoa hotuba ya asili kwa mwendo halisi wa kasi sana hata katika Raspberry Pi. 4.

VITS (Viaritional Inference With adstarial o -to-end Text-to-Speech) ni njia inayofanana na hiyo inayotokeza sauti za kiasili zaidi kuliko violezo viwili vya sasa vya jukwaani. Inatumia mitiririko tofauti - tofauti iliyoongezwa kwa mitiririko ya kawaida na utaratibu wa uelimishaji, ikitimiza maendeleo makubwa katika hali ya asili.

KIKUNDI cha MySlah.i ni maktaba ya lugha nyingi inayounga mkono Kiingereza (Amerika, Kiingereza, Kihindi, Kiaustralia), Kihispania, Kichina, Kijapani, na Kikorea. Ni ya haraka sana, inashughulikia maandishi kwa mwendo wa karibu wakati wote katika CPU peke yake. MeloTS imebuniwa kwa ajili ya matumizi ya uzalishaji na utegemezo wa CPU na GPU inference.

Bark wa Suno ni mfano wa maandishi-to-audio ambao unaweza kutokeza maneno halisi, ya lugha mbalimbali pamoja na sauti nyingine kama muziki, kelele, na sauti. Inaweza kutokeza mawasiliano yasiyo na adabu kama vile kucheka, kuugua, na kulia. Bark huunga mkono zaidi ya lugha 100 za kizungumzaji.

Bark Small ni aina ya bark ambayo huuza sauti kwa ajili ya mwendo wa kasi zaidi na wa chini zaidi wa kukumbuka. Inadumisha uwezo wa Bark wa kutokeza usemi kwa hisia, kicheko, na lugha nyingi.

CosyVoice 2 ya Aliba's Tongy Lab inatimiza ubora wa usemi usio na kifani kwa ubora wa binadamu wenye kiwango cha chini sana, na kuifanya ifae kwa matumizi ya wakati halisi. Inatumia mbinu ya ukadiriaji usio na mipaka kwa ajili ya kusambaza sythesis na kuunga mkono uwezo wa sauti isiyoweza kulipuka, uvukaji wa uso, na udhibiti wa hisia wa hali ya juu. Inadhibiti mifumo mingi ya kibiashara ya ukadiriaji habari.

Dia wa Nari Labs ni mfano wa parate-to-speech uliobuniwa hasa kwa ajili ya kuanzisha mazungumzo ya namna mbalimbali. Inaweza kutokeza mazungumzo ya asili kati ya wasemaji wawili wenye mwelekeo unaofaa, ubunifu, na hisia. Dia ni bora kabisa kwa ajili ya kutengeneza maudhui ya mtindo wa nguo, vitabu vya sauti, na mazungumzo ya kirafiki AI.

Parler TTS ni mfano wa maandishi-to-speech ambao hutumia matamshi ya asili ili kudhibiti hotuba iliyotokezwa. Badala ya kuchagua sauti za awali, unaelezea sauti unayotaka (e.g., "sauti changamfu ya kike kwa matamshi kidogo ya Kiingereza, kuzungumza polepole na waziwazi") na Parler hutokeza usemi unaolingana na ufafanuzi huo. Hii inaifanya iwe yenye kubadilikana kwa ajili ya matumizi ya ubunifu.

GLM-TTTS ya Zhipu AI ni mfumo wa maandishi-to-speech uliojengwa kwenye mfumo wa Llama na mtiririko wa mtiririko. Inatimiza kiwango cha chini zaidi cha makosa ya tabia miongoni mwa violezo vya TTS vilivyo wazi, ikimaanisha kuwa inatoa matamshi sahihi zaidi. GLM-TS inaunga mkono Kiingereza na Kichina kwa kutumia sauti inayotokana na sampuli 3-10 za sauti.

IndexTS-2 ni mfumo wa hali ya juu wa kompyuta unaoshinda uwezo wa sauti ya sufuri na ambao una uwezo mkubwa wa kudhibiti hisia za moyoni. Inaweza kuchochea usemi wenye hisia za moyoni kama vile furaha, huzuni, hasira, au hofu bila kuhitaji data ya mafunzo ya hisia - moyo.

Sparche TTS by Sparpadiaudio ni mfano wa maandishi yanayounganisha sauti na hisia iwezayo kudhibitiwa na mtindo wa kusema. Kwa kutumia sekunde 5 tu za sauti, inaweza kutokeza sauti na kisha kutokeza usemi kwa hisia tofauti, mwendo, na mitindo tofauti ya sauti huku ikidumisha utambulisho uliotokezwa.

GPT-SHITS huchanganya lugha ya kawaida ya GPT na SoVITS (Sing Voice Inference kupitia Tafsiri na Synthesis) kwa sauti chache sana zinazofanyizwa kwa njia ya pekee. Kwa sauti ndogo sana kama sekunde 5 za sauti, sauti hiyo inaweza kuonekana kwa usahihi na kutokeza usemi mpya huku ikidumisha sifa za kipekee za msemaji. Inaboresha sauti na pia kuimba sauti.

Orpheus ni mfano mkubwa unaowezesha maneno ya hisia ya binadamu. Inafahamika kwa zaidi ya saa 100,000 za data mbalimbali za usemi, inaboresha usemi na hisia za asili, mkazo, na mitindo ya kusema. Orpheus anaweza kutoa hotuba ambayo haiwezi kutofautishwa na rekodi za binadamu.

Chatterbox by Resemble AI ni kifananishi cha sauti ya kukata sufuri - nyesho. Inaweza kuiga sauti yoyote kutoka kwenye sampuli moja ya sauti kwa usahihi wa ajabu, ikinasa si tu ule mstari wa sauti bali pia mtindo wa kusema na wa kihisia - moyo.

Tortoise TTS ni mfumo wa sauti unaojiendesha kwa njia ya moja kwa moja ambao unaweka ubora wa sauti kwa mwendo wa kasi zaidi. Inatumia muundo wa kompyuta wa DALL-E ili kutokeza usemi wa asili wenye ufanano bora wa kimantiki na wa kinena. Huku mwendo wa polepole zaidi ya njia nyingi, Tortoise hutokeza baadhi ya usemi halisi kabisa wa kubuniwa unaopatikana katika mfumo wa mazingira ulio wazi.

PTTTS 2 inatimiza TEHAMA ya binadamu kwa kuchanganya mtindo na mafunzo ya lugha kubwa. Inatokeza usemi wa asili zaidi miongoni mwa violezo vya lugha moja, kurekodi kwa kulinganisha mirekodi ya binadamu. SCTS 2 hutumia kigezo cha namna ya upitishaji wa sauti ili kunasa utofauti kamili wa usemi wa binadamu.

Picha huru ya MySlall.i inawezesha sauti itengenezwe mara moja kwa namna ya sauti, hisia, matamshi, kutua, na sauti. Inaweza kutokeza sauti kutoka kwenye kipande kifupi cha sauti na kutokeza hotuba katika lugha mbalimbali huku ikimtambulisha msemaji.

Qwen3-TTTTS ni mfano wa parameta bilioni 1.7 kutoka kwa timu ya Qwen ya Aliba. Inaunga mkono miundo mitatu: sauti zilizojikita na udhibiti wa hisia (wazungumzaji9), sauti inayoibuka kutoka sekunde 3 tu za sauti, na muundo wa kipekee wa sauti ambapo unaelezea sauti unayotaka katika lugha ya asili. Inafunika lugha 10 kwa ufasaha wa hali ya juu na wa asili.

Sesame CSM (Conversational Spours) ni mfano wa parameta bilioni 1 uliobuniwa hasa kwa ajili ya kutokeza hotuba ya majadiliano. Inaweka vigezo vya asili vya mazungumzo ya binadamu ikiwa ni pamoja na wakati wa kuelekeana, miitikio ya mgongo, miitikio ya kihisia - moyo, na mtiririko wa mazungumzo. CSM hutokeza sauti inayosikika kama mazungumzo ya asili ya kibinadamu badala ya usemi wa kubuniwa.

Chatterbobos Turbo na Resemble AI ni paragram 350m to Chatterboksi, inayosonga kwa mwendo wa kasi sana wa saa 6 kwa kiwango cha chini cha 200. Inaunga mkono alama kama [kicheko], na [kicheckle] moja kwa moja katika maandishi. Inatia ndani mfumo wa kuhifadhi maji wa Perth kwenye sauti zote zilizotengenezwa kwa ajili ya kufuatilia maoni yaliyothibitishwa.

Zonos v0.1 na Zyphra ni mfano wa parameta 1.6B unaoonyesha udhibiti mzuri wa hisia kwa watelezaji wa hisia kwa ajili ya furaha, hasira, huzuni, hofu, na mshangao. Inatoa mbadilisho na riwaya SSM (namna ya ulimwengu) iliyozoezwa saa 200K+ za usemi wa lugha kwa sauti isiyo kamili inayotokana na sauti ya sekunde 10-30 za muziki.

Dia2 na Nari Labs ni kijito cha kwanza kuelekea Dia, kipatikanacho katika 1B na 2B parameta tofauti. Huanza kutoa sauti kutoka kwenye ishara chache za kwanza, ikifanya kuwa bora kwa vipaza sauti halisi na mabomba ya usemi-To-speech. Vitegemezo vya mazungumzo ya namna nyingi na [S1/S2] alama na paralingupres kama (juni), vicheko).

VoxCPM 1.5 by penBM BAM ni mfano mpya wa penter-free TTS ambao hutenda kazi katika nafasi zenye kuendelea badala ya ishara za kaberiti. Inatoa sauti ya juu 44.1kHz, kuunga mkono sauti inayotokana na kipimo cha sekunde 3-10, na inashikilia upatano kuvuka mafungu.[4][4][4]

Shirika hilo linaunga mkono wasifu wa lugha wenye uwezo wa kutafsiri na kuhifadhi majengo ya awali. Inaunga mkono sehemu mbalimbali za nyuma ikiwa ni pamoja na lama.cpp (CPU/GPU), Hilling Facevace Transformers, ExLlaV2, VLM, na hata ovarificsion inference kupitia Transformer.js. Expots-shot fous foot kupitia wazungumzaji waliookolewa kama JSON.

TADA (Text-Acoustic Plaual Alignment) ya Hume AI ni mfano wenye kutatanisha wa TTS ambao huondoa maono kupitia muundo wa muundo wa muundo wenye muundo wa namna mbili uliojengwa kwenye LLla 3.2. Upatikanao katika 1B (Kiingereza) na 3B (kwa ujumla) wa aina mbalimbali, TADA inatimiza TF ya 0.09 5x kwa kasi zaidi ya violezo vya TLM. Inategemeza kwa sekunde 700 za sauti na mifunuo muktadha wa maono ya hisia - moyo hutokeza maelezo kwenye benchi.

VibeVoice wa Microsoft anatokea katika namna mbili tofauti - tofauti: mfano wa 1.5B wa maudhui marefu (kufikia dakika 90, wasemaji 4) na mfano halisi wa saa 0.5B kwa kumimina sauti za kwanza za sauti kwa sauti ya chini.

Proet TTS ya Kyutai (waratibu wa Mishi) ni kishikizo kikubwa cha 100M cha parameta -to-speech ambacho husugua sana juu ya uzito wake. Kinatenda kwa ustadi katika CPU, kinaunga mkono sauti ya sufuri -hot inayotokana na sampuli moja ya sauti ya sauti, na kutokeza usemi wa asili. Ukubwa mdogo wa kigezo huifanya ifae kwa ajili ya uratibu na mazingira ya chini.

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.